論文の概要: Causal Representation Meets Stochastic Modeling under Generic Geometry

• arxiv url: http://arxiv.org/abs/2602.05033v1
• Date: Wed, 04 Feb 2026 20:40:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.607872
• Title: Causal Representation Meets Stochastic Modeling under Generic Geometry
• Title（参考訳）: 因果表現と確率的モデリング
• Authors: Jiaxu Ren, Yixin Wang, Biwei Huang,
• Abstract要約: 我々は,連続時間潜在点過程の因果表現学習を開発する。 MUTATEは時間適応型遷移モジュールを持つ変分自動エンコーダフレームワークである。 シミュレーションおよび実証研究全体で、MUTATEは科学的疑問に効果的に答えられることが判明した。
• 参考スコア（独自算出の注目度）: 49.24293444627916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning meaningful causal representations from observations has emerged as a crucial task for facilitating machine learning applications and driving scientific discoveries in fields such as climate science, biology, and physics. This process involves disentangling high-level latent variables and their causal relationships from low-level observations. Previous work in this area that achieves identifiability typically focuses on cases where the observations are either i.i.d. or follow a latent discrete-time process. Nevertheless, many real-world settings require identifying latent variables that are continuous-time stochastic processes (e.g., multivariate point processes). To this end, we develop identifiable causal representation learning for continuous-time latent stochastic point processes. We study its identifiability by analyzing the geometry of the parameter space. Furthermore, we develop MUTATE, an identifiable variational autoencoder framework with a time-adaptive transition module to infer stochastic dynamics. Across simulated and empirical studies, we find that MUTATE can effectively answer scientific questions, such as the accumulation of mutations in genomics and the mechanisms driving neuron spike triggers in response to time-varying dynamics.
• Abstract（参考訳）: 観測から有意義な因果表現を学習することは、機械学習の応用を促進し、気候科学、生物学、物理学などの分野における科学的発見を促進する重要な課題として浮上している。 この過程は、高レベルの潜伏変数とその因果関係を低レベルの観測から切り離すことを含む。 同定可能性を達成するこの領域の以前の研究は、一般的に観察がi.d. であるか、遅滞離散時間プロセスに従う場合に焦点を当てている。 それでも、多くの実世界の設定では、連続時間確率過程(例えば多変量点過程)である潜時変数を識別する必要がある。 そこで我々は,連続時間潜在確率点過程の因果表現学習を開発する。 パラメータ空間の幾何を解析し,その同定可能性について検討する。 さらに,確率力学を推論するための時間適応遷移モジュールを備えた変分自動エンコーダフレームワークであるMUTATEを開発した。 シミュレーションおよび実証研究全体を通して、MUTATEはゲノム学における突然変異の蓄積や、時間変化に応答してニューロンスパイクを誘発するメカニズムなど、科学的疑問に効果的に答えることができることがわかった。

関連論文リスト

• Identifiable Representation and Model Learning for Latent Dynamic Systems [0.0]
  本稿では,潜在力学系における表現とモデル学習の問題について検討する。 線形およびアフィン非線形潜時力学系にスパース入力行列を持つ場合、潜時変数をスケーリングまで同定できることを証明した。
  論文  参考訳（メタデータ） (2024-10-23T13:55:42Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• A Deep Learning Approach to Analyzing Continuous-Time Systems [20.89961728689037]
  深層学習が複雑なプロセスの解析に有効であることを示す。 提案手法は,多くの自然系に対して不可解な標準的な仮定を緩和する。 行動・神経画像データに顕著な改善が認められた。
  論文  参考訳（メタデータ） (2022-09-25T03:02:31Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Counterfactual Temporal Point Processes [18.37409880250174]
  我々は,Gumbel-Max構造因果モデルに基づく時間点過程のシンニングの因果モデルを構築した。 次に、与えられた代替強度関数の下で時間点過程の対実的実現をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-15T08:46:25Z)
• 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)

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。