論文の概要: Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis

• arxiv url: http://arxiv.org/abs/2512.14361v1
• Date: Tue, 16 Dec 2025 12:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.715752
• Title: Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis
• Title（参考訳）: 理論的スコア解析による力学系の因果構造学習
• Authors: Nicholas Tagliapietra, Katharina Ensinger, Christoph Zimmer, Osman Mian,
• Abstract要約: 現実世界のシステムは根底にある因果関係に従って連続的に進化するが、そのダイナミクスはしばしば不明である。 動的システムにおける因果発見の新しい手法であるCaDyTを提案する。 実験の結果,CaDyTは定期的に,不規則にサンプリングされたデータに対して,最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 7.847876045564289
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Real world systems evolve in continuous-time according to their underlying causal relationships, yet their dynamics are often unknown. Existing approaches to learning such dynamics typically either discretize time -- leading to poor performance on irregularly sampled data -- or ignore the underlying causality. We propose CaDyT, a novel method for causal discovery on dynamical systems addressing both these challenges. In contrast to state-of-the-art causal discovery methods that model the problem using discrete-time Dynamic Bayesian networks, our formulation is grounded in Difference-based causal models, which allow milder assumptions for modeling the continuous nature of the system. CaDyT leverages exact Gaussian Process inference for modeling the continuous-time dynamics which is more aligned with the underlying dynamical process. We propose a practical instantiation that identifies the causal structure via a greedy search guided by the Algorithmic Markov Condition and Minimum Description Length principle. Our experiments show that CaDyT outperforms state-of-the-art methods on both regularly and irregularly-sampled data, discovering causal networks closer to the true underlying dynamics.
• Abstract（参考訳）: 現実世界のシステムは根底にある因果関係に従って連続的に進化するが、そのダイナミクスはしばしば不明である。 このようなダイナミクスを学習するための既存のアプローチは、通常、時間(不規則にサンプリングされたデータのパフォーマンス低下につながる)を区別するか、根底にある因果関係を無視します。 本稿では,これらの課題に対処する動的システムの因果発見手法であるCaDyTを提案する。 離散時間動的ベイズネットワークを用いて問題をモデル化する最先端因果探索法とは対照的に,我々の定式化は差分に基づく因果モデルに基づいており,システムの連続的な性質をモデル化するための軽度な仮定が可能である。 CaDyTは、基礎となる動的プロセスとより整合した連続時間力学をモデル化するために、正確なガウス過程推論を利用する。 本稿では,アルゴリズムマルコフ条件と最小記述長原理によって導かれる欲求探索により,因果構造を識別する実用的なインスタンス化を提案する。 実験の結果,CaDyTは定常的および不規則にサンプリングされたデータに対して最先端の手法より優れており,真の基盤となるダイナミックスに近い因果ネットワークが発見された。

関連論文リスト

• 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)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• 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)
• 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)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• 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。