論文の概要: Causality by Abstraction: Symbolic Rule Learning in Multivariate Timeseries with Large Language Models

• arxiv url: http://arxiv.org/abs/2602.17829v1
• Date: Thu, 19 Feb 2026 20:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.141558
• Title: Causality by Abstraction: Symbolic Rule Learning in Multivariate Timeseries with Large Language Models
• Title（参考訳）: 抽象化による因果性:大言語モデルを用いた多変量時制における記号規則学習
• Authors: Preetom Biswas, Giulia Pedrielli, K. Selçuk Candan,
• Abstract要約: 本稿では,大規模言語モデルを利用して入力-出力関係の形式的説明を抽出するフレームワークである ruleXplain を提案する。 提案手法では,時間演算子と遅延セマンティクスを備えた制約付き記号規則言語を導入し,LLMが検証可能な因果規則を生成する。 本研究では, PySIRTEM 流行シミュレータ, 日常感染数に対する検査率入力のマッピング, エナジープラスビルディングエネルギーシミュレータを用いて, 電力需要に対する温度および太陽光照射入力の観測を行った。
• 参考スコア（独自算出の注目度）: 1.3167012401618352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring causal relations in timeseries data with delayed effects is a fundamental challenge, especially when the underlying system exhibits complex dynamics that cannot be captured by simple functional mappings. Traditional approaches often fail to produce generalized and interpretable explanations, as multiple distinct input trajectories may yield nearly indistinguishable outputs. In this work, we present ruleXplain, a framework that leverages Large Language Models (LLMs) to extract formal explanations for input-output relations in simulation-driven dynamical systems. Our method introduces a constrained symbolic rule language with temporal operators and delay semantics, enabling LLMs to generate verifiable causal rules through structured prompting. ruleXplain relies on the availability of a principled model (e.g., a simulator) that maps multivariate input time series to output time series. Within ruleXplain, the simulator is used to generate diverse counterfactual input trajectories that yield similar target output, serving as candidate explanations. Such counterfactual inputs are clustered and provided as context to the LLM, which is tasked with the generation of symbolic rules encoding the joint temporal trends responsible for the patterns observable in the output times series. A closed-loop refinement process ensures rule consistency and semantic validity. We validate the framework using the PySIRTEM epidemic simulator, mapping testing rate inputs to daily infection counts; and the EnergyPlus building energy simulator, observing temperature and solar irradiance inputs to electricity needs. For validation, we perform three classes of experiments: (1) the efficacy of the ruleset through input reconstruction; (2) ablation studies evaluating the causal encoding of the ruleset; and (3) generalization tests of the extracted rules across unseen output trends with varying phase dynamics.
• Abstract（参考訳）: 時系列データに遅延効果を伴う因果関係を推定することは、特に基礎となるシステムが単純な関数写像では捉えられない複雑なダイナミクスを示す場合、根本的な課題である。 従来のアプローチでは、複数の異なる入力軌跡がほぼ区別不可能な出力をもたらすため、一般化された解釈可能な説明が得られないことが多い。 本稿では,Large Language Models (LLMs) を利用して,シミュレーション駆動力学系における入出力関係の形式的説明を抽出するフレームワークである ruleXplain を提案する。 提案手法では,時間的演算子と遅延セマンティクスを備えた制約付き記号規則言語を導入し,構造化プロンプトによりLLMが検証可能な因果規則を生成する。 ruleXplainは、多変量入力時系列を出力時系列にマッピングする、原則付きモデル(例:シミュレータ)の可用性に依存しています。 ruleXplain内では、シミュレータを使用して、類似のターゲット出力を出力する様々な反事実的な入力トラジェクトリを生成し、候補説明として機能する。 このような反事実入力をクラスタ化してLLMのコンテキストとして提供し、出力時間系列で観測可能なパターンに責任を負う共同時間的傾向を符号化するシンボル規則の生成を任務とする。 クローズドループ精製プロセスは、規則の一貫性と意味論的妥当性を保証する。 本研究では, PySIRTEM 流行シミュレータ, 日常感染数に対する検査率入力のマッピング, エナジープラスビルディングエネルギーシミュレータを用いて, 電力需要に対する温度および太陽光入力の観測を行った。 検証には,(1)入力再構成によるルールセットの有効性,(2)規則セットの因果的エンコーディングを評価するアブレーション研究,(3)位相ダイナミクスの異なる未確認出力傾向にまたがる抽出規則の一般化試験,の3種類の実験を行う。

関連論文リスト

• Do It for HER: First-Order Temporal Logic Reward Specification in Reinforcement Learning (Extended Version) [49.462399222747024]
  本研究では,大規模状態空間を持つ決定過程(MDP)における非マルコフ報酬の論理的仕様に関する新しい枠組みを提案する。 我々のアプローチは有限トレース(LTLfMT)上での線形時間論理モデュロ理論を利用する 本稿では,報酬マシンとHER(Hindsight Experience Replay)をベースとした一階述語論理仕様の翻訳手法を提案する。
  論文  参考訳（メタデータ） (2026-02-05T22:11:28Z)
• NUM2EVENT: Interpretable Event Reasoning from Numerical time-series [6.45945124018154]
  本稿では,数値入力から解釈可能な構造化イベントを推論することを目的とした,数対値推論と復号化の課題を紹介する。 データ不足とセマンティックアライメントの課題に対処するために、推論対応フレームワークを提案する。 我々のモデルは、数値的な変化に対して明確に理由付け、中間的な説明を生成し、構造化された事象仮説を出力する。
  論文  参考訳（メタデータ） (2025-10-24T02:57:11Z)
• CMT-Bench: Cricket Multi-Table Generation Benchmark for Probing Robustness in Large Language Models [11.167804698594866]
  我々は,ライブクリケットによる診断ベンチマークであるCMT-Benchを紹介する。 抽出サマリー,入力長による単調な劣化,実体形変化による一貫した精度低下を伴わない大きな滴が見つかる。
  論文  参考訳（メタデータ） (2025-10-20T23:51:28Z)
• AXIS: Explainable Time Series Anomaly Detection with Large Language Models [33.68487894996624]
  AXISは、時系列理解のための凍結したLarge Language Models (LLM) を規定するフレームワークである。 LLMは離散トークンで動作し、長い連続的な信号を直接処理するのに苦労する。 文脈的接地とパターンレベルのセマンティクスを監督するマルチフォーマットの質問と合理性を特徴とする新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-09-29T07:24:22Z)
• ADALog: Adaptive Unsupervised Anomaly detection in Logs with Self-attention Masked Language Model [2.55347686868565]
  ADALogは適応的で教師なしの異常検出フレームワークである。 個々の非構造化ログで動作し、ログ内のコンテキスト関係を抽出し、通常のデータに対して適応しきい値を設定する。 BGL,Thunderbird,Spiritのベンチマークデータセット上でADALogを評価する。
  論文  参考訳（メタデータ） (2025-05-15T17:31:40Z)
• Learning Linear Attention in Polynomial Time [127.14106124669645]
  線形注意を持つ単層変圧器の学習性に関する最初の結果を提供する。 線形アテンションは RKHS で適切に定義された線形予測器とみなすことができる。 我々は,すべての経験的リスクが線形変換器と同等のトレーニングデータセットを効率的に識別する方法を示す。
  論文  参考訳（メタデータ） (2024-10-14T02:41:01Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Large Language Models as General Pattern Machines [64.75501424160748]
  我々は,事前訓練された大規模言語モデル (LLM) が,複雑なトークンシーケンスを自動回帰的に完了することを示す。 驚いたことに、語彙からランダムにサンプリングされたトークンを用いてシーケンスが表現された場合でも、パターン完了の習熟度を部分的に保持することができる。 本研究では,ロボット工学における問題に対して,これらのゼロショット機能がどのように適用されるかを検討する。
  論文  参考訳（メタデータ） (2023-07-10T17:32:13Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。