論文の概要: Coarse-to-Fine Learning of Dynamic Causal Structures

• arxiv url: http://arxiv.org/abs/2602.22532v1
• Date: Thu, 26 Feb 2026 02:12:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.478023
• Title: Coarse-to-Fine Learning of Dynamic Causal Structures
• Title（参考訳）: 動的因果構造の粗大な学習
• Authors: Dezhi Yang, Qiaoyu Tan, Carlotta Domeniconi, Jun Wang, Lizhen Cui, Guoxian Yu,
• Abstract要約: 動的因果構造学習フレームワークであるDyCausalを紹介する。 DyCausalは粗い時間窓内の因果パターンをキャプチャし、各ステップで因果構造を洗練するために線形系列を適用する。 さらに,行列ノルムスケーリングに基づく非循環的制約を提案し,因果構造を進化させる際のループを効果的に拘束しながら効率を向上する。
• 参考スコア（独自算出の注目度）: 42.51711083245258
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the dynamic causal structure of time series is a challenging problem. Most existing approaches rely on distributional or structural invariance to uncover underlying causal dynamics, assuming stationary or partially stationary causality. However, these assumptions often conflict with the complex, time-varying causal relationships observed in real-world systems. This motivates the need for methods that address fully dynamic causality, where both instantaneous and lagged dependencies evolve over time. Such a setting poses significant challenges for the efficiency and stability of causal discovery. To address these challenges, we introduce DyCausal, a dynamic causal structure learning framework. DyCausal leverages convolutional networks to capture causal patterns within coarse-grained time windows, and then applies linear interpolation to refine causal structures at each time step, thereby recovering fine-grained and time-varying causal graphs. In addition, we propose an acyclic constraint based on matrix norm scaling, which improves efficiency while effectively constraining loops in evolving causal structures. Comprehensive evaluations on both synthetic and real-world datasets demonstrate that DyCausal achieves superior performance compared to existing methods, offering a stable and efficient approach for identifying fully dynamic causal structures from coarse to fine.
• Abstract（参考訳）: 時系列の動的因果構造を学ぶことは難しい問題である。 既存のアプローチの多くは、定常的あるいは部分的に定常的因果関係を仮定して、基礎となる因果ダイナミクスを明らかにするために、分布的あるいは構造的不変性に依存している。 しかしながら、これらの仮定は現実世界のシステムで観測される複雑な時間変化の因果関係と矛盾することが多い。 これは完全に動的な因果関係に対処するメソッドの必要性を動機付けている。 このような設定は因果発見の効率性と安定性に重大な課題をもたらす。 このような課題に対処するために,動的因果構造学習フレームワークDyCausalを導入する。 DyCausalは畳み込みネットワークを活用して、粗い時間窓内の因果パターンを捕捉し、各ステップで因果構造を洗練するために線形補間を適用し、細粒度と時間変化の因果グラフを復元する。 さらに,行列ノルムスケーリングに基づく非循環的制約を提案し,因果構造を進化させる際のループを効果的に拘束しながら効率を向上する。 合成と実世界の両方のデータセットに関する総合的な評価は、DyCausalが既存の手法と比較して優れたパフォーマンスを達成し、完全な動的因果構造を粗いものから細かいものまで同定するための安定的で効率的なアプローチを提供することを示している。

関連論文リスト

• Physics as the Inductive Bias for Causal Discovery [7.9653270330458446]
  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。
  論文  参考訳（メタデータ） (2026-02-03T23:42:01Z)
• 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)
• 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)
• 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)
• 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)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)

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。