論文の概要: DoFlow: Causal Generative Flows for Interventional and Counterfactual Time-Series Prediction

• arxiv url: http://arxiv.org/abs/2511.02137v1
• Date: Tue, 04 Nov 2025 00:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.754753
• Title: DoFlow: Causal Generative Flows for Interventional and Counterfactual Time-Series Prediction
• Title（参考訳）: DoFlow: インターベンショナルおよび非現実的時系列予測のための因果生成フロー
• Authors: Dongze Wu, Feng Qiu, Yao Xie,
• Abstract要約: DoFlowは、コヒーレントな観察および介入予測を提供する因果DAG上に定義されたフローベースの生成モデルである。 DoFlowは将来の軌道の明確な可能性を提供し、原則的異常検出を可能にする。
• 参考スコア（独自算出の注目度）: 16.417858983587248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting increasingly demands not only accurate observational predictions but also causal forecasting under interventional and counterfactual queries in multivariate systems. We present DoFlow, a flow based generative model defined over a causal DAG that delivers coherent observational and interventional predictions, as well as counterfactuals through the natural encoding and decoding mechanism of continuous normalizing flows (CNFs). We also provide a supporting counterfactual recovery result under certain assumptions. Beyond forecasting, DoFlow provides explicit likelihoods of future trajectories, enabling principled anomaly detection. Experiments on synthetic datasets with various causal DAG and real world hydropower and cancer treatment time series show that DoFlow achieves accurate system-wide observational forecasting, enables causal forecasting over interventional and counterfactual queries, and effectively detects anomalies. This work contributes to the broader goal of unifying causal reasoning and generative modeling for complex dynamical systems.
• Abstract（参考訳）: 時系列の予測は、正確な観測予測だけでなく、多変量系における介入的および反事実的クエリの下での因果予測もますます求めている。 本稿では,連続正規化フロー(CNFs)の自然な符号化・復号機構を通じて,コヒーレントな観察・介入予測を提供する因果DAG上に定義されたフローベース生成モデルDoFlowを提案する。 また, ある仮定の下で, 対実的回復を支援できる結果も提供する。 予測以外にも、DoFlowは将来の軌道の明確な可能性を提供し、原則的に異常検出を可能にする。 種々の因果DAGと実世界水力・がん治療時系列を用いた合成データセットの実験により,DoFlowは正確なシステム全体の観測予測を行い,介入クエリや逆ファクトクエリに対する因果予測を可能にし,異常を効果的に検出できることが示されている。 この研究は、複雑な力学系に対する因果推論と生成的モデリングを統合するというより広範な目標に寄与する。

関連論文リスト

• PO-Flow: Flow-based Generative Models for Sampling Potential Outcomes and Counterfactuals [20.10830878838357]
  本稿では,因果推論のための連続正規化フロー(CNF)フレームワークPO-Flowを提案する。 PO-Flowは、平均的な処理効果推定、個人化された潜在的な結果予測、および対実予測に対する統一的なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-05-21T22:02:48Z)
• Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics [8.07759586745722]
  DTNの保守と運用に一般的に使用されるアクティブメトリック予測は、レイテンシ、スループット、エネルギー消費、信頼性に関するネットワーク性能を向上させることができる。 時系列予測における従来の平均回帰法は、データの複雑さを適切に把握できないため、ルーティングなどのDTNの運用タスクでは、性能が低下する。 本稿では、DTNにおけるメトリクスの予測を多変量時系列上の確率予測問題として定式化し、これらのサンプルの分布を特徴付けることによって予測の不確かさを定量化することができる。
  論文  参考訳（メタデータ） (2025-04-09T15:40:02Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Causal Autoregressive Flows [4.731404257629232]
  自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。 我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-04T13:17:35Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。