論文の概要: Causal Time Series Generation via Diffusion Models

• arxiv url: http://arxiv.org/abs/2509.20846v1
• Date: Thu, 25 Sep 2025 07:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.758013
• Title: Causal Time Series Generation via Diffusion Models
• Title（参考訳）: 拡散モデルによる因果時系列生成
• Authors: Yutong Xia, Chang Xu, Yuxuan Liang, Qingsong Wen, Roger Zimmermann, Jiang Bian,
• Abstract要約: 新しいTSGタスクファミリーとして因果時系列生成を導入し,Pearlの因果はしご内で定式化した。 これらのタスクをインスタンス化するために、統合拡散ベースのフレームワークであるCaTSGを開発した。 合成データセットと実世界のデータセットの両方の実験は、CaTSGが優れた忠実性を達成することを示している。
• 参考スコア（独自算出の注目度）: 96.95879410279089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series generation (TSG) synthesizes realistic sequences and has achieved remarkable success. Among TSG, conditional models generate sequences given observed covariates, however, such models learn observational correlations without considering unobserved confounding. In this work, we propose a causal perspective on conditional TSG and introduce causal time series generation as a new TSG task family, formalized within Pearl's causal ladder, extending beyond observational generation to include interventional and counterfactual settings. To instantiate these tasks, we develop CaTSG, a unified diffusion-based framework with backdoor-adjusted guidance that causally steers sampling toward desired interventions and individual counterfactuals while preserving observational fidelity. Specifically, our method derives causal score functions via backdoor adjustment and the abduction-action-prediction procedure, thus enabling principled support for all three levels of TSG. Extensive experiments on both synthetic and real-world datasets show that CaTSG achieves superior fidelity and also supporting interventional and counterfactual generation that existing baselines cannot handle. Overall, we propose the causal TSG family and instantiate it with CaTSG, providing an initial proof-of-concept and opening a promising direction toward more reliable simulation under interventions and counterfactual generation.
• Abstract（参考訳）: 時系列生成(TSG)は現実的なシーケンスを合成し、顕著な成功を収めた。 TSGでは、条件付きモデルは観測された共変量列を生成するが、そのようなモデルは観測されていない共起を考慮せずに観察的相関を学習する。 本研究では、条件付きTSGの因果的視点を提案し、新しいTSGタスクファミリーとして因果的時系列生成を導入する。 これらのタスクをインスタンス化するために,バックドア調整ガイダンスを備えた統合拡散ベースフレームワークであるCaTSGを開発した。 具体的には,3段階のTSGの原則的サポートを可能にするために,バックドア調整と吸引・作用予測手法を用いて因果スコア関数を導出する。 合成データセットと実世界のデータセットの大規模な実験は、CaTSGが優れた忠実性を実現し、既存のベースラインが扱えない干渉および反ファクト生成をサポートすることを示している。 全体として、我々はTSGファミリーを提案し、CaTSGでインスタンス化し、最初の概念実証を提供し、介入や反事実生成によるより信頼性の高いシミュレーションに向けた有望な方向を開く。

関連論文リスト

• Context-aware gate set tomography: Improving the self-consistent characterization of trapped-ion universal gate sets by leveraging non-Markovianity [45.88028371034407]
  ゲートセットトモグラフィ(GST)は、ノイズの多い量子ゲート、状態準備、測定の完全なセットを推定する。 当初、GSTはゲートを順次適用することで推定精度を向上させる。 ゲートセットのパラメトリゼーションにコンテキスト依存を組み込むことで, GSTのサンプリングコストを低減できることを示す。
  論文  参考訳（メタデータ） (2025-07-03T11:37:36Z)
• CCD: Continual Consistency Diffusion for Lifelong Generative Modeling [29.568682321463886]
  連続拡散生成(CDG)は、連続学習下での拡散モデルの実装方法を再定義する構造化パイプラインである。 拡散特異的な生成力学のクロスタスク解析を基礎としたCDGの第一理論基盤を提案する。 CCDは様々なベンチマークでSOTA性能を実現し,特に重複タスクのシナリオにおける生成指標の改善を図っている。
  論文  参考訳（メタデータ） (2025-05-17T09:49:25Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• A Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
  本稿では,構造因果モデル(Structure Causal Models, SCM)を因果順序付き変数の固定点問題として記述する新しい形式論を提案する。 トポロジカル順序付け(TO)を考えると,その特異な回復のために最も弱い既知の条件を確立する。
  論文  参考訳（メタデータ） (2024-04-10T12:29:05Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• From Gradient Flow on Population Loss to Learning with Stochastic Gradient Descent [50.4531316289086]
  SGD(Gradient Descent)は、大規模非ルートモデルの学習方法である。 集団損失のGFが収束すると仮定して、総合的な条件 SGD が収束する。 我々は、凸損失のような古典的な設定だけでなく、Retrieval Matrix sq-rootのようなより複雑な問題に対してもGD/SGDを統一的に解析する。
  論文  参考訳（メタデータ） (2022-10-13T03:55:04Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Causal Discovery from Conditionally Stationary Time Series [14.297325665581353]
  我々は,広範囲の非定常時系列を扱う因果探索手法を開発した。 State-Dependent Causal Inference (SDCI)と名付けられた私たちのアプローチは、根底にある因果関係を回復することができる。 非線形粒子相互作用データと遺伝子制御ネットワークに関する実証実験は、SDCIの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-12T18:12:57Z)
• Causal Graph Discovery from Self and Mutually Exciting Time Series [12.802653884445132]
  我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。 Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-04T16:59:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。