論文の概要: TRACE: Trajectory Recovery for Continuous Mechanism Evolution in Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2601.21135v1
• Date: Thu, 29 Jan 2026 00:37:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.487637
• Title: TRACE: Trajectory Recovery for Continuous Mechanism Evolution in Causal Representation Learning
• Title（参考訳）: TRACE:因果表現学習における連続的メカニズム進化のための軌道復元
• Authors: Shicheng Fan, Kun Zhang, Lu Cheng,
• Abstract要約: 時間的因果表現学習法は、因果メカニズムが個別の領域間で瞬時に切り替えられると仮定する。 遷移機構を有限個の原子機構の凸結合としてモデル化することにより、この設定を定式化する。 そこで我々は,各専門家が訓練中に1つの原子機構を学習し,試験時の機構軌道の回復を可能にする,Mixture-of-ExpertsフレームワークであるTRACEを提案する。
• 参考スコア（独自算出の注目度）: 12.28349934159359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal causal representation learning methods assume that causal mechanisms switch instantaneously between discrete domains, yet real-world systems often exhibit continuous mechanism transitions. For example, a vehicle's dynamics evolve gradually through a turning maneuver, and human gait shifts smoothly from walking to running. We formalize this setting by modeling transitional mechanisms as convex combinations of finitely many atomic mechanisms, governed by time-varying mixing coefficients. Our theoretical contributions establish that both the latent causal variables and the continuous mixing trajectory are jointly identifiable. We further propose TRACE, a Mixture-of-Experts framework where each expert learns one atomic mechanism during training, enabling recovery of mechanism trajectories at test time. This formulation generalizes to intermediate mechanism states never observed during training. Experiments on synthetic and real-world data demonstrate that TRACE recovers mixing trajectories with up to 0.99 correlation, substantially outperforming discrete-switching baselines.
• Abstract（参考訳）: 時間的因果表現学習法は、因果機構が個別の領域間で瞬時に切り替えられると仮定するが、現実のシステムはしばしば連続的なメカニズム遷移を示す。 例えば、車両の動力学は旋回操作によって徐々に進化し、人間の歩行は歩行から走りへとスムーズに変化する。 我々は、遷移機構を時間変化混合係数によって支配される有限個の原子機構の凸結合としてモデル化することで、この設定を定式化する。 我々の理論的貢献は、潜伏因果変数と連続混合軌跡が共に同定可能であることを証明している。 さらに,各専門家がトレーニング中に1つの原子機構を学習し,テスト時に機構軌道の回復を可能にする,Mixture-of-ExpertsフレームワークであるTRACEを提案する。 この定式化は、訓練中に観測されなかった中間機構状態に一般化する。 合成および実世界のデータに関する実験では、TRACEは最大0.99の相関で混合軌道を回復し、離散スイッチングベースラインを大幅に上回っている。

関連論文リスト

• Transformer Learning of Chaotic Collective Dynamics in Many-Body Systems [0.0]
  本稿では,自己注意に基づくトランスフォーマー・フレームワークが,カオス的集団力学をモデル化するための効果的なアプローチを提供することを示す。 相互作用クエンチが強い非線形およびカオス力学を誘導する一次元半古典的ホルシュタインモデルについて検討する。 本研究は, カオス多体システムにおいて, 効果的還元力学を学習するための強力なメカニズムとして, 自己意識を確立した。
  論文  参考訳（メタデータ） (2026-01-27T01:33:33Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling [6.577465893404979]
  神経変性疾患の長期進行はグラフ拡散過程として一般的に概念化されている。 そこで本研究では,異なるコントリビューション機構が病期においてどのように支配されているかを明確にモデル化する,新たな段階認識型混合エキスパートフレームワークを提案する。 IGND-MoEモデルは、これらの成分を時間的状態にわたって動的に統合し、ステージ特異的な病理機構が進行にどのように寄与するかを理解するための原則化された方法を提供する。
  論文  参考訳（メタデータ） (2025-08-09T16:09:00Z)
• From Biased to Unbiased Dynamics: An Infinitesimal Generator Approach [24.560340485988128]
  時間反転不変過程における進化作用素の固有関数の学習について検討する。 ランゲヴィン方程式によって説明される多くの物理的または化学的過程は、高いポテンシャル障壁によって分離された準安定状態間の遷移を含む。 本稿では,プロセスの無限小生成と関連する分解剤演算子に根ざした偏りのあるシミュレーションから学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-13T12:02:51Z)
• Compete and Compose: Learning Independent Mechanisms for Modular World Models [57.94106862271727]
  異なる環境における再利用可能な独立したメカニズムを活用するモジュール型世界モデルであるCOMETを提案する。 COMETは、コンペティションとコンポジションという2段階のプロセスを通じて、動的に変化する複数の環境でトレーニングされている。 COMETは,従来のファインタニング手法に比べて,サンプル効率が向上し,多様なオブジェクト数で新しい環境に適応できることを示す。
  論文  参考訳（メタデータ） (2024-04-23T15:03:37Z)
• Competition of Mechanisms: Tracing How Language Models Handle Facts and Counterfactuals [82.68757839524677]
  解釈可能性研究は、経験的成功と大規模言語モデル(LLM)の科学的理解のギャップを埋めることを目的としている。 本稿では,個々のメカニズムではなく,複数のメカニズムの相互作用に着目した,メカニズムの競合の定式化を提案する。 本研究は, 種々のモデル成分間の機構とその競合の痕跡を示し, 特定の機構の強度を効果的に制御する注意位置を明らかにした。
  論文  参考訳（メタデータ） (2024-02-18T17:26:51Z)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Momentum Accelerates Evolutionary Dynamics [4.061135251278187]
  運動量によって、レプリカータ方程式やユークリッド勾配降下を含む進化力学の収束が促進されることを示す。 また, これらの力学の収束特性は, 例えば, 岩壁・筋の地形に付随するサイクリングを破ることによって, 運動量によって変化させることができることを示す。
  論文  参考訳（メタデータ） (2020-07-05T21:09:30Z)

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。