論文の概要: TRACE: Scalable Amortized Causal Discovery from Single Sequences via Autoregressive Density Estimation

• arxiv url: http://arxiv.org/abs/2602.01135v1
• Date: Sun, 01 Feb 2026 10:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.617545
• Title: TRACE: Scalable Amortized Causal Discovery from Single Sequences via Autoregressive Density Estimation
• Title（参考訳）: TRACE: 自己回帰密度推定による単一系列からのスケーラブルな補正因果発見
• Authors: Hugo Math, Rainer Lienhart,
• Abstract要約: プロセスが生成する離散事象の1つの観測シーケンスから因果発見について検討した。 本稿では,自己回帰モデルを条件付き相互情報推定のための事前学習密度推定器として再利用するスケーラブルなフレームワークTRACEを紹介する。
• 参考スコア（独自算出の注目度）: 14.409508347156397
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We study causal discovery from a single observed sequence of discrete events generated by a stochastic process, as encountered in vehicle logs, manufacturing systems, or patient trajectories. This regime is particularly challenging due to the absence of repeated samples, high dimensionality, and long-range temporal dependencies of the single observation during inference. We introduce TRACE, a scalable framework that repurposes autoregressive models as pretrained density estimators for conditional mutual information estimation. TRACE infers the summary causal graph between event types in a sequence, scaling linearly with the event vocabulary and supporting delayed causal effects, while being fully parallel on GPUs. We establish its theoretical identifiability under imperfect autoregressive models. Experiments demonstrate robust performance across different baselines and varying vocabulary sizes including an application to root-cause analysis in vehicle diagnostics with over 29,100 event types.
• Abstract（参考訳）: 本研究では, 車両ログ, 製造システム, 患者軌跡にみられるような, 確率過程によって生じる1つの離散事象から因果発見について検討した。 この規則は、反復的なサンプルの欠如、高次元性、および推論中の単一観測の長距離時間依存性のため、特に困難である。 本稿では,自己回帰モデルを条件付き相互情報推定のための事前学習密度推定器として再利用するスケーラブルなフレームワークTRACEを紹介する。 TRACEはシーケンス内のイベントタイプ間の要約因果グラフを推論し、イベント語彙と線形にスケーリングし、GPU上で完全に並列であると同時に遅延因果効果をサポートする。 我々は不完全な自己回帰モデルの下で理論的な識別可能性を確立する。 実験では,29,100以上のイベントタイプを持つ車両診断における根因解析への応用を含む,異なる基本点と異なる語彙サイズで頑健な性能を示す。

関連論文リスト

• How Focused Are LLMs? A Quantitative Study via Repetitive Deterministic Prediction Tasks [0.9338697277815541]
  繰り返し決定論的予測タスクにおける大規模言語モデルの性能について検討する。 実験により, 特徴的な長さスケールを超える急激な2重指数降下が明らかとなった。 これは、モデルがそれぞれの操作を独立して実行できないことを示している。
  論文  参考訳（メタデータ） (2025-11-02T01:42:08Z)
• Towards Practical Multi-label Causal Discovery in High-Dimensional Event Sequences via One-Shot Graph Aggregation [14.409508347156397]
  CARGOは、スパースで高次元のイベントシーケンスに対するスケーラブルなマルチラベル因果探索法である。 並列に、シーケンス毎の1ショット因果グラフを推論し、適応周波数融合を用いてそれらを集約し、ラベルのグローバルマルコフ境界を再構築する。 29,100以上のユニークなイベントタイプと474のアンバランスなラベルを持つ実世界の自動車故障予測データセットに対する我々の結果は、CARGOが構造化推論を行う能力を示している。
  論文  参考訳（メタデータ） (2025-09-23T14:58:50Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
  因果発見は、生物学的実験から機械的な洞察を明らかにする可能性がある。 因果グラフを予測するために,大規模合成データに基づいて学習した教師付きモデルを提案する。 我々のアプローチは、発見アルゴリズムの出力の典型的なエラーがデータセット間で比較できるという観察によって実現されている。
  論文  参考訳（メタデータ） (2024-02-02T21:57:58Z)
• MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
  複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。 具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。 我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
  論文  参考訳（メタデータ） (2024-01-15T12:51:13Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• 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)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。