論文の概要: DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data

• arxiv url: http://arxiv.org/abs/2602.01433v1
• Date: Sun, 01 Feb 2026 20:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.779616
• Title: DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
• Title（参考訳）: DCD: 自己相関データと非定常時間データからの分解に基づく因果発見
• Authors: Muhammad Hasan Ferdous, Md Osman Gani,
• Abstract要約: 金融、気候科学、医療などの分野での時系列は、長期的傾向、季節的なパターン、短期的な変動を示すことが多い。 既存の因果発見法は生の観測で動作し、急激なエッジや不適切な時間的依存関係に対して脆弱である。 本稿では,各時系列をトレンド,季節,残留成分に分けた分解に基づく因果発見フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.681371732194511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series in domains such as finance, climate science, and healthcare often exhibit long-term trends, seasonal patterns, and short-term fluctuations, complicating causal inference under non-stationarity and autocorrelation. Existing causal discovery methods typically operate on raw observations, making them vulnerable to spurious edges and misattributed temporal dependencies. We introduce a decomposition-based causal discovery framework that separates each time series into trend, seasonal, and residual components and performs component-specific causal analysis. Trend components are assessed using stationarity tests, seasonal components using kernel-based dependence measures, and residual components using constraint-based causal discovery. The resulting component-level graphs are integrated into a unified multi-scale causal structure. This approach isolates long- and short-range causal effects, reduces spurious associations, and improves interpretability. Across extensive synthetic benchmarks and real-world climate data, our framework more accurately recovers ground-truth causal structure than state-of-the-art baselines, particularly under strong non-stationarity and temporal autocorrelation.
• Abstract（参考訳）: 金融、気候科学、医療などの分野における多変量時系列は、長期的傾向、季節的パターン、短期的変動を示し、非定常性と自己相関性の下で因果推論を複雑にする。 既存の因果発見法は、通常、生の観測で機能し、急激なエッジや不適切な時間的依存関係に対して脆弱である。 本稿では,各時系列をトレンド,季節,残留成分に分離し,コンポーネント固有の因果分析を行う分解型因果探索フレームワークを提案する。 トレンドコンポーネントは、定常試験、カーネルベースの依存性測定を用いた季節成分、制約ベースの因果探索を用いた残留成分を用いて評価する。 結果として得られるコンポーネントレベルのグラフは、統一されたマルチスケール因果構造に統合される。 このアプローチは、長距離および短距離因果効果を分離し、急激な関連を減らし、解釈可能性を改善する。 大規模な総合的なベンチマークと実世界の気候データを通じて、我々のフレームワークは、特に強い非定常性と時間的自己相関の下で、最先端のベースラインよりも、より正確に地道因果構造を復元する。

関連論文リスト

• Spatio-Temporal Hierarchical Causal Models [12.518908171952113]
  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。
  論文  参考訳（メタデータ） (2025-11-25T17:56:43Z)
• 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)
• On the Recoverability of Causal Relations from Temporally Aggregated I.I.D. Data [45.228979584422056]
  時間的アグリゲーションが一般環境における瞬時因果発見に及ぼす影響を考察する。 理論的,実験的に,因果発見結果は凝集により著しく歪む可能性があることを示す。
  論文  参考訳（メタデータ） (2024-06-04T10:35:16Z)
• 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)
• 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。