論文の概要: Spatio-Temporal Hierarchical Causal Models

• arxiv url: http://arxiv.org/abs/2511.20558v2
• Date: Thu, 27 Nov 2025 06:59:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 13:46:31.797827
• Title: Spatio-Temporal Hierarchical Causal Models
• Title（参考訳）: 時空間階層因果モデル
• Authors: Xintong Li, Haoran Zhang, Xiao Zhou,
• Abstract要約: 本稿では,階層因果モデリングを時間領域に拡張する新しいグラフィカルフレームワークである,時空間階層因果モデル(ST-HC-Ms)を紹介する。 我々のアプローチの核となるのは時空間崩壊理論であり、これは複雑なST-HC-Msが、量が増加するにつれて単純な平らな因果モデルに収束することを示している。 我々は、複雑な力学系における堅牢な因果推論の可能性を示すために、合成データセットと実世界のデータセットの両方でフレームワークを検証した。
• 参考スコア（独自算出の注目度）: 12.518908171952113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The abundance of fine-grained spatio-temporal data, such as traffic sensor networks, offers vast opportunities for scientific discovery. However, inferring causal relationships from such observational data remains challenging, particularly due to unobserved confounders that are specific to units (e.g., geographical locations) yet influence outcomes over time. Most existing methods for spatio-temporal causal inference assume that all confounders are observed, an assumption that is often violated in practice. In this paper, we introduce Spatio-Temporal Hierarchical Causal Models (ST-HCMs), a novel graphical framework that extends hierarchical causal modeling to the spatio-temporal domain. At the core of our approach is the Spatio-Temporal Collapse Theorem, which shows that a complex ST-HCM converges to a simpler flat causal model as the amount of subunit data increases. This theoretical result enables a general procedure for causal identification, allowing ST-HCMs to recover causal effects even in the presence of unobserved, time-invariant unit-level confounders, a scenario where standard non-hierarchical models fail. We validate the effectiveness of our framework on both synthetic and real-world datasets, demonstrating its potential for robust causal inference in complex dynamic systems.
• Abstract（参考訳）: 交通センサネットワークのような微細な時空間データが多く、科学的な発見の機会となる。 しかし、そのような観測データから因果関係を推定することは、特に、単位(例えば、地理的な位置)に固有の観測されていない共同創設者が、時間とともに結果に影響を与えないため、依然として困難である。 時空間因果推論の既存の方法の多くは、すべての共同創設者が観察されていると仮定している。 本稿では,階層的因果モデリングを時空間領域に拡張する新しいグラフィカルフレームワークである,時空間階層因果モデル(ST-HCM)を紹介する。 我々のアプローチの核となるのは時空間崩壊理論であり、これは、複雑なST-HCMが、サブユニットデータの量が増加するにつれて、より単純な平坦な因果モデルに収束することを示している。 この理論的結果は因果同定の一般的な手順を可能にし、ST-HCMは、標準の非階層的モデルが失敗するシナリオである、観測されていない時間不変の単位レベルの共同設立者が存在する場合でも因果的効果を回復することができる。 複雑な力学系における因果推論の頑健性を示すため,本フレームワークの有効性を,合成データセットと実世界のデータセットの両方で検証した。

関連論文リスト

• 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)
• ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
  本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
  論文  参考訳（メタデータ） (2025-07-04T05:39:50Z)
• 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)
• 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)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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)

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。