論文の概要: UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems

• arxiv url: http://arxiv.org/abs/2511.03168v1
• Date: Wed, 05 Nov 2025 04:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.32042
• Title: UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems
• Title（参考訳）: UnCLe: 非線形時間系におけるスケーラブルな動的因果発見を目指して
• Authors: Tingzhu Bi, Yicheng Pan, Xinrui Jiang, Huize Sun, Meng Ma, Ping Wang,
• Abstract要約: スケーラブルな動的因果探索のための新しい深層学習手法UnCLeを提案する。 UnCLeはUncouplerとRecouplerの2つのネットワークを使って、入力時系列を意味表現に分解する。 時間的摂動によって引き起こされるデータポイントワイズ予測誤差を解析することにより、動的因果影響を推定する。
• 参考スコア（独自算出の注目度）: 4.9593603893289115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncovering cause-effect relationships from observational time series is fundamental to understanding complex systems. While many methods infer static causal graphs, real-world systems often exhibit dynamic causality-where relationships evolve over time. Accurately capturing these temporal dynamics requires time-resolved causal graphs. We propose UnCLe, a novel deep learning method for scalable dynamic causal discovery. UnCLe employs a pair of Uncoupler and Recoupler networks to disentangle input time series into semantic representations and learns inter-variable dependencies via auto-regressive Dependency Matrices. It estimates dynamic causal influences by analyzing datapoint-wise prediction errors induced by temporal perturbations. Extensive experiments demonstrate that UnCLe not only outperforms state-of-the-art baselines on static causal discovery benchmarks but, more importantly, exhibits a unique capability to accurately capture and represent evolving temporal causality in both synthetic and real-world dynamic systems (e.g., human motion). UnCLe offers a promising approach for revealing the underlying, time-varying mechanisms of complex phenomena.
• Abstract（参考訳）: 観測時系列から原因と影響の関係を明らかにすることは、複雑なシステムを理解するのに不可欠である。 多くの手法は静的因果グラフを推定するが、現実のシステムは時間とともに動的因果関係が進化する。 これらの時間的ダイナミクスを正確に捉えるには、時間分解因果グラフが必要である。 スケーラブルな動的因果探索のための新しい深層学習手法UnCLeを提案する。 UnCLeはUncouplerとRecouplerの2つのネットワークを使用して、入力時系列をセマンティック表現に分解し、自動回帰依存行列を通じて変数間の依存関係を学ぶ。 時間的摂動によって引き起こされるデータポイントワイズ予測誤差を解析することにより、動的因果影響を推定する。 大規模な実験により、UnCLeは静的因果探索ベンチマークで最先端のベースラインを上回るだけでなく、より重要なのは、人工的および実世界の動的システム(人間の動きなど)において、進化する時間的因果関係を正確に捉え、表現するユニークな能力を示す。 UnCLeは、複雑な現象の根底にある時間変化のメカニズムを明らかにするための有望なアプローチを提供する。

関連論文リスト

• MOCHA: Discovering Multi-Order Dynamic Causality in Temporal Point Processes [10.64307837085301]
  MOCHAは、時間点過程における多階動的因果関係を発見するための新しいフレームワークである。 我々は,MOCHAがイベント予測における最先端性能を実現し,意味的かつ解釈可能な因果構造を明らかにした。
  論文  参考訳（メタデータ） (2025-08-26T09:47:44Z)
• Causal Discovery in Multivariate Time Series through Mutual Information Featurization [0.1657441317977376]
  時間的因果関係(TD2C)は、情報理論と統計的記述の豊富なセットから複雑な因果的シグネチャを認識することを学ぶ。 以上の結果から,TD2Cは最先端の性能を達成し,確立された手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-08-03T17:03:13Z)
• CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models [2.496034159762847]
  CausalDynamicsは動的因果モデルの構造的発見を促進するためのフレームワークである。 我々のベンチマークは、線形および非線形に結合した常微分方程式と微分方程式の両方から導出される真の因果グラフで構成されている。 本研究では, ノイズ, 畳み込み, タグ付けされた動的システムにおいて, グラフ再構成のための最先端因果探索アルゴリズムを包括的に評価する。
  論文  参考訳（メタデータ） (2025-05-22T12:54:30Z)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• 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)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)

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。