論文の概要: Towards Identifiability of Hierarchical Temporal Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2510.18310v1
• Date: Tue, 21 Oct 2025 05:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.932847
• Title: Towards Identifiability of Hierarchical Temporal Causal Representation Learning
• Title（参考訳）: 階層型時間的因果表現学習の認識可能性に向けて
• Authors: Zijian Li, Minghao Fu, Junxian Huang, Yifan Shen, Ruichu Cai, Yuewen Sun, Guangyi Chen, Kun Zhang,
• Abstract要約: 因果的階層的潜在動的(CHiLD)識別フレームワークを提案する。 各層内の潜伏変数を識別するために、潜伏変数間の階層構造が自然に分散していることを利用する。 このモデルは、コンテキストエンコーダを組み込んで、多層潜在変数を再構成し、フローベースの階層的事前ネットワークを正規化する。
• 参考スコア（独自算出の注目度）: 37.974090366909586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling hierarchical latent dynamics behind time series data is critical for capturing temporal dependencies across multiple levels of abstraction in real-world tasks. However, existing temporal causal representation learning methods fail to capture such dynamics, as they fail to recover the joint distribution of hierarchical latent variables from \textit{single-timestep observed variables}. Interestingly, we find that the joint distribution of hierarchical latent variables can be uniquely determined using three conditionally independent observations. Building on this insight, we propose a Causally Hierarchical Latent Dynamic (CHiLD) identification framework. Our approach first employs temporal contextual observed variables to identify the joint distribution of multi-layer latent variables. Sequentially, we exploit the natural sparsity of the hierarchical structure among latent variables to identify latent variables within each layer. Guided by the theoretical results, we develop a time series generative model grounded in variational inference. This model incorporates a contextual encoder to reconstruct multi-layer latent variables and normalize flow-based hierarchical prior networks to impose the independent noise condition of hierarchical latent dynamics. Empirical evaluations on both synthetic and real-world datasets validate our theoretical claims and demonstrate the effectiveness of CHiLD in modeling hierarchical latent dynamics.
• Abstract（参考訳）: 時系列データの背後にある階層的潜在ダイナミクスのモデリングは、実世界のタスクにおいて、複数のレベルの抽象化をまたいだ一時的な依存関係をキャプチャするために重要である。 しかし、既存の時間的因果表現学習法は、それらが \textit{single-timestep observed variables} から階層的潜在変数の結合分布を回復できないため、そのようなダイナミクスを捉えることができない。 興味深いことに、階層型潜在変数の結合分布は、3つの条件独立な観測で一意に決定できる。 この知見に基づいて、我々はCausally Hierarchical Latent Dynamic (CHiLD)識別フレームワークを提案する。 提案手法は,まず時間的文脈観測変数を用いて,多層潜伏変数の結合分布を同定する。 次に,各層内の潜伏変数を識別するために,潜伏変数間の階層構造の自然空間性を利用する。 理論的結果から導かれ,変分推論に基づく時系列生成モデルを開発した。 このモデルは、コンテキストエンコーダを組み込んで、多層潜在変数を再構成し、フローベースの階層的先行ネットワークを正規化し、階層的潜在力学の独立ノイズ条件を課す。 人工的および実世界の両方のデータセットに関する実証的な評価は、我々の理論的主張を検証し、階層的潜在力学のモデル化におけるCHiLDの有効性を実証する。

関連論文リスト

• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Time Series Domain Adaptation via Latent Invariant Causal Mechanism [28.329164754662354]
  時系列領域適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに複雑な時間依存性を転送することを目的としている。 近年の進歩は、観測変数に対する安定した因果機構を利用して、ドメイン不変時間依存をモデル化している。 しかし、ビデオのような高次元データにおける正確な因果構造をモデル化することは依然として困難である。
  論文  参考訳（メタデータ） (2025-02-23T16:25:58Z)
• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-10T17:04:39Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Discovering group dynamics in coordinated time series via hierarchical recurrent switching-state models [5.250223406627639]
  我々は、複数の相互作用する実体(つまり「エージェント」)から生じる時系列の集合に対する計算学的に効率的なモデルを求める。 個人間の時間パターンの最近のモデルでは、個々の実体の軌跡に影響を与える可能性のある明示的なシステムレベルの集団行動が組み込まれていない。 我々は、遅延系レベル離散状態マルコフ連鎖を用いて、遅延系レベルチェーンにトップダウンの影響を与え、各観測時系列の排出を制御している。
  論文  参考訳（メタデータ） (2024-01-26T16:06:01Z)
• Learning Hierarchical Features with Joint Latent Space Energy-Based Prior [44.4434704520236]
  階層表現学習における多層ジェネレータモデルの基本的問題について検討する。 実効的階層型表現学習のための多層潜在変数を用いた有意な潜在空間EMM事前モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-14T15:44:14Z)
• Learning Joint Latent Space EBM Prior Model for Multi-layer Generator [44.4434704520236]
  多層ジェネレータモデルの学習における基礎的問題について検討する。 本稿では,全層にまたがる待ち行列空間上のエネルギーモデル (EBM) を提案する。 実験により、学習したモデルが高品質な画像を生成する際に表現できることが実証された。
  論文  参考訳（メタデータ） (2023-06-10T00:27:37Z)
• Variational Conditional Dependence Hidden Markov Models for Skeleton-Based Action Recognition [7.9603223299524535]
  本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。 我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。 フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-13T23:18:52Z)

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。