論文の概要: Physics as the Inductive Bias for Causal Discovery

• arxiv url: http://arxiv.org/abs/2602.04907v1
• Date: Tue, 03 Feb 2026 23:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.528963
• Title: Physics as the Inductive Bias for Causal Discovery
• Title（参考訳）: 因果発見のための誘導バイアスとしての物理
• Authors: Jianhong Chen, Naichen Shi, Xubo Yue,
• Abstract要約: 因果発見は、しばしば複雑な現実世界のシステムを分析するためのデータ駆動パラダイムである。 我々は,因果グラフ構造を利用してパラメータ推定を行うスケーラブルなスペーサ性誘導型MLEアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 7.9653270330458446
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Causal discovery is often a data-driven paradigm to analyze complex real-world systems. In parallel, physics-based models such as ordinary differential equations (ODEs) provide mechanistic structure for many dynamical processes. Integrating these paradigms potentially allows physical knowledge to act as an inductive bias, improving identifiability, stability, and robustness of causal discovery in dynamical systems. However, such integration remains challenging: real dynamical systems often exhibit feedback, cyclic interactions, and non-stationary data trend, while many widely used causal discovery methods are formulated under acyclicity or equilibrium-based assumptions. In this work, we propose an integrative causal discovery framework for dynamical systems that leverages partial physical knowledge as an inductive bias. Specifically, we model system evolution as a stochastic differential equation (SDE), where the drift term encodes known ODE dynamics and the diffusion term corresponds to unknown causal couplings beyond the prescribed physics. We develop a scalable sparsity-inducing MLE algorithm that exploits causal graph structure for efficient parameter estimation. Under mild conditions, we establish guarantees to recover the causal graph. Experiments on dynamical systems with diverse causal structures show that our approach improves causal graph recovery and produces more stable, physically consistent estimates than purely data-driven state-of-the-art baselines.
• Abstract（参考訳）: 因果発見は、しばしば複雑な現実世界のシステムを分析するためのデータ駆動パラダイムである。 平行して、常微分方程式(ODE)のような物理学に基づくモデルは、多くの力学過程に対して力学構造を提供する。 これらのパラダイムを統合することで、物理的知識は帰納バイアスとして機能し、力学系における因果発見の識別可能性、安定性、堅牢性を向上させることができる。 しかし、実際の力学系はしばしばフィードバック、循環的相互作用、非定常データ傾向を示すが、多くの広く使われている因果発見法は非循環性や平衡に基づく仮定で定式化されている。 本研究では,部分的物理的知識を帰納バイアスとして活用する動的システムのための統合因果探索フレームワークを提案する。 具体的には、系の進化を確率微分方程式(SDE)としてモデル化し、ドリフト項は既知のODEダイナミクスを符号化し、拡散項は所定物理学を超えた未知の因果結合に対応する。 我々は,因果グラフ構造を利用してパラメータ推定を行うスケーラブルなスペーサ性誘導型MLEアルゴリズムを開発した。 軽度の条件下では、因果グラフの復元を保証する。 多様な因果構造を持つ力学系の実験により,本手法は因果グラフの回復を改善し,純粋にデータ駆動型状態のベースラインよりも安定で物理的に一貫した推定値が得られることを示した。

関連論文リスト

• Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis [7.847876045564289]
  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。
  論文  参考訳（メタデータ） (2025-12-16T12:41:22Z)
• UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems [4.9593603893289115]
  スケーラブルな動的因果探索のための新しい深層学習手法UnCLeを提案する。 UnCLeはUncouplerとRecouplerの2つのネットワークを使って、入力時系列を意味表現に分解する。 時間的摂動によって引き起こされるデータポイントワイズ予測誤差を解析することにより、動的因果影響を推定する。
  論文  参考訳（メタデータ） (2025-11-05T04:34:31Z)
• Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation [46.40087254928057]
  物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-28T09:30:35Z)
• Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
  多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。 これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。 非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:23:27Z)
• 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)
• 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)
• AI-Lorenz: A physics-data-driven framework for black-box and gray-box identification of chaotic systems with symbolic regression [2.07180164747172]
  複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。 私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。 これにより、動的挙動の将来的な進化を予測することができる。
  論文  参考訳（メタデータ） (2023-12-21T18:58:41Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• 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。