論文の概要: Causal Ordering for Structure Learning From Time Series

• arxiv url: http://arxiv.org/abs/2510.24639v1
• Date: Tue, 28 Oct 2025 17:06:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.295289
• Title: Causal Ordering for Structure Learning From Time Series
• Title（参考訳）: 時系列構造学習のための因果順序付け
• Authors: Pedro P. Sanchez, Damian Machlanski, Steven McDonagh, Sotirios A. Tsaftaris,
• Abstract要約: 時系列における因果発見は、真の因果関係を特定する複雑さによって妨げられる。 伝統的な順序付け法は本質的に、結果のモデルの表現能力を制限する。 時間データに対する拡散に基づく因果探索を用いたDOTSを提案する。
• 参考スコア（独自算出の注目度）: 8.2018747411276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting causal structure from time series data is crucial for understanding complex phenomena in physiology, brain connectivity, climate dynamics, and socio-economic behaviour. Causal discovery in time series is hindered by the combinatorial complexity of identifying true causal relationships, especially as the number of variables and time points grow. A common approach to simplify the task is the so-called ordering-based methods. Traditional ordering methods inherently limit the representational capacity of the resulting model. In this work, we fix this issue by leveraging multiple valid causal orderings, instead of a single one as standard practice. We propose DOTS (Diffusion Ordered Temporal Structure), using diffusion-based causal discovery for temporal data. By integrating multiple orderings, DOTS effectively recovers the transitive closure of the underlying directed acyclic graph, mitigating spurious artifacts inherent in single-ordering approaches. We formalise the problem under standard assumptions such as stationarity and the additive noise model, and leverage score matching with diffusion processes to enable efficient Hessian estimation. Extensive experiments validate the approach. Empirical evaluations on synthetic and real-world datasets demonstrate that DOTS outperforms state-of-the-art baselines, offering a scalable and robust approach to temporal causal discovery. On synthetic benchmarks ($d{=}\!3-\!6$ variables, $T{=}200\!-\!5{,}000$ samples), DOTS improves mean window-graph $F1$ from $0.63$ (best baseline) to $0.81$. On the CausalTime real-world benchmark ($d{=}20\!-\!36$), while baselines remain the best on individual datasets, DOTS attains the highest average summary-graph $F1$ while halving runtime relative to graph-optimisation methods. These results establish DOTS as a scalable and accurate solution for temporal causal discovery.
• Abstract（参考訳）: 時系列データから因果構造を予測することは、生理学、脳の接続性、気候力学、社会経済的行動の複雑な現象を理解するために重要である。 時系列における因果発見は、特に変数の数や時間点が増加するにつれて、真の因果関係を特定するという組合せ複雑性によって妨げられる。 タスクを単純化するための一般的なアプローチは、いわゆる順序付けベースの方法である。 伝統的な順序付け法は本質的に、結果のモデルの表現能力を制限する。 本研究では,複数の有効な因果順序付けを活用することでこの問題を解消する。 時間データに対する拡散に基づく因果探索を用いたDOTS(Diffusion Ordered Temporal Structure)を提案する。 複数の順序付けを統合することで、DOTSは基礎となる有向非巡回グラフの推移的閉包を効果的に回収し、単一順序付けに固有の突発的アーティファクトを緩和する。 定常性や付加雑音モデルといった標準的な仮定の下で問題を定式化し、拡散過程とのスコアマッチングを利用して効率的なヘッセン推定を実現する。 大規模な実験でそのアプローチが検証される。 合成および実世界のデータセットに関する実証的な評価は、DOTSが最先端のベースラインより優れており、時間因果発見に対するスケーラブルで堅牢なアプローチを提供することを示している。 合成ベンチマーク($d{=}\! 3-! 6$変数、$T{=}200\! -\! 5{,}000$サンプル)、DOTSは平均ウィンドウグラフ$F1$を0.63$(最高のベースライン)から0.81$に改善する。 CausalTimeのリアルタイムベンチマーク($d{=}20\! -\! DOTSは、グラフ最適化メソッドと比較してランタイムを半減しながら、平均的な要約グラフの$F1$を達成している。 これらの結果は、DOTSを時間的因果発見のためのスケーラブルで正確なソリューションとして確立する。

関連論文リスト

• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• 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)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models [49.038420266408586]
  分散の増加による変数のソートは、しばしば因果順序に近い順序になることを示す。 本稿ではR2$-SortnRegressと呼ばれる,高いR2$-sortabilityを利用する効率的なベースラインアルゴリズムを提案する。 その結果,因果発見に関連するデータ生成プロセスの仮定として,R2$-sortabilityが高額であることが判明した。
  論文  参考訳（メタデータ） (2023-03-31T17:05:46Z)
• Diffusion Models for Causal Discovery via Topological Ordering [20.875222263955045]
  emphTopological ordering approachは、グラフ空間ではなく置換を探索することによって因果発見の最適化空間を減少させる。 ANMsの場合、データログのようなemphHessianは、葉ノードを因果グラフで見つけるのに使用することができ、トポロジ的順序付けを可能にする。 ニューラルネットワークを再トレーニングすることなく、学習したヘッセンを更新する理論を導入し、サンプルのサブセットによる計算が注文の正確な近似を与えることを示す。
  論文  参考訳（メタデータ） (2022-10-12T13:36:29Z)

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。