論文の概要: Operationalizing Longitudinal Causal Discovery Under Real-World Workflow Constraints

• arxiv url: http://arxiv.org/abs/2602.23800v1
• Date: Fri, 27 Feb 2026 08:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.327842
• Title: Operationalizing Longitudinal Causal Discovery Under Real-World Workflow Constraints
• Title（参考訳）: 実世界のワークフロー制約下における経時的因果発見の運用
• Authors: Tadahisa Okuda, Shohei Shimizu, Thong Pham, Tatsuyoshi Ikenoue, Shingo Fukuma,
• Abstract要約: 因果発見はかなりの理論的進歩を遂げたが、その縦系への展開は限られている。 本稿では,非巡回グラフ空間の許容範囲を制限する縦方向因果探索のためのワークフローによる制約クラスについて述べる。 ワークフローに一貫性のある部分順序を明示的に符号化すると構造的曖昧さが減少することを示す。
• 参考スコア（独自算出の注目度）: 2.593291716183273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery has achieved substantial theoretical progress, yet its deployment in large-scale longitudinal systems remains limited. A key obstacle is that operational data are generated under institutional workflows whose induced partial orders are rarely formalized, enlarging the admissible graph space in ways inconsistent with the recording process. We characterize a workflow-induced constraint class for longitudinal causal discovery that restricts the admissible directed acyclic graph space through protocol-derived structural masks and timeline-aligned indexing. Rather than introducing a new optimization algorithm, we show that explicitly encoding workflow-consistent partial orders reduces structural ambiguity, especially in mixed discrete--continuous panels where within-time orientation is weakly identified. The framework combines workflow-derived admissible-edge constraints, measurement-aligned time indexing and block structure, bootstrap-based uncertainty quantification for lagged total effects, and a dynamic representation supporting intervention queries. In a nationwide annual health screening cohort in Japan with 107,261 individuals and 429,044 person-years, workflow-constrained longitudinal LiNGAM yields temporally consistent within-time substructures and interpretable lagged total effects with explicit uncertainty. Sensitivity analyses using alternative exposure and body-composition definitions preserve the main qualitative patterns. We argue that formalizing workflow-derived constraint classes improves structural interpretability without relying on domain-specific edge specification, providing a reproducible bridge between operational workflows and longitudinal causal discovery under standard identifiability assumptions.
• Abstract（参考訳）: 因果発見は理論的な進歩を遂げているが、大規模な縦系への展開は依然として限られている。 主要な障害は、誘導された部分順序がほとんど形式化されない制度的なワークフローの下で運用データが生成されることであり、記録プロセスと矛盾しない方法で許容可能なグラフ空間を拡大することである。 本稿では,時間的因果探索のためのワークフローによる制約クラスを特徴付け,プロトコル由来の構造マスクとタイムライン整列インデックスによって許容可能な非巡回グラフ空間を制限する。 新しい最適化アルゴリズムを導入するのではなく、ワークフローに一貫性のある部分順序を明示的に符号化することで構造的あいまいさを低減し、特に時間内向きが弱い混合離散連続パネルにおいて。 このフレームワークは、ワークフロー由来の許容範囲制約、測定整合時間インデックスとブロック構造、ラタグされたトータルエフェクトに対するブートストラップに基づく不確実性定量化、および介入クエリをサポートする動的表現を組み合わせる。 全国で107,261人,429,044人からなる健康検診コホートでは,ワークフローに制約のある縦型LiNGAMは時間的に時間的に一貫したサブ構造を産み出す。 オルタナティブ露光とボディーコンポジション定義を用いた感度解析は、主定性パターンを保存する。 ワークフローに基づく制約クラスを形式化することで、ドメイン固有のエッジ仕様に頼ることなく構造的解釈性が向上し、標準的な識別可能性前提の下での運用ワークフローと縦断的因果発見の間に再現可能なブリッジを提供する、と我々は主張する。

関連論文リスト

• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• LHAW: Controllable Underspecification for Long-Horizon Tasks [8.46227536869596]
  LHAW(Long-Horizon Augmenteds)は、モジュール型でデータセットに依存しない合成パイプラインである。 あいまいさのLLM予測に依存するアプローチとは異なり、LHAWは経験的エージェント試行を通じて変種を検証し、観察された終端状態のばらつきに基づいて結果クリティカル、発散、良性として分類する。 TheAgentCompany、SWE-Bench Pro、MCP-Atlasから285のタスク変種をリリースし、現在のエージェントが不明瞭な設定に対して不特定性を検知し、推論し、解決する方法を測定した。
  論文  参考訳（メタデータ） (2026-02-11T04:49:50Z)
• Intrinsic Stability Limits of Autoregressive Reasoning: Structural Consequences for Long-Horizon Execution [0.0]
  大規模言語モデル(LLM)は顕著な推論能力を示すが、長い水平タスクでは性能が著しく低下することが多い。 本稿では, 自己回帰生成におけるプロセスレベルの不安定性から, 長期的推論の基本的制約が生じることを示唆する。 本研究は, 完全自己回帰型アーキテクチャ下での長期コヒーレンス維持に新たな限界があることを示唆する。
  論文  参考訳（メタデータ） (2026-02-06T06:11:06Z)
• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training [76.12556589212666]
  学習後のカリキュラムは指数関数的複雑性のボトルネックを回避していることを示す。 結果のみの報酬信号の下では、強化学習の微調整は、サンプルの複雑さを高い精度で達成する。 カリキュラムを意識したクエリにより、報奨託書の呼び出しとサンプリングコストの両方を指数関数的に削減するテストタイムスケーリングの保証を確立する。
  論文  参考訳（メタデータ） (2025-11-10T18:29:54Z)
• R-ConstraintBench: Evaluating LLMs on NP-Complete Scheduling [0.0]
  R-ConstraintBenchは、資源制約計画スケジューリング問題(RCPSP)のモデルを評価するフレームワークである。 データセンターのマイグレーション設定でベンチマークをインスタンス化し、実行可能性とエラー分析を用いて複数のLCMを評価する。 実証的には、強いモデルは優先順位のみのDAGでほぼシーリングされるが、ダウンタイム、時間的ウィンドウ、および解離的制約が相互作用すると、実現可能性のパフォーマンスは低下する。
  論文  参考訳（メタデータ） (2025-08-21T03:35:58Z)
• READER: Retrieval-Assisted Drafter for Efficient LLM Inference [0.0386965802948046]
  自己回帰言語モデルはトークンシーケンスよりも分解された確率をインスタンス化するが、その厳密なシーケンシャルなデコーディングプロセスは、遅延推論に固有の低いバウンドを課す。 このボトルネックは、大規模生成モデルのスケーラブルなデプロイにおける中心的な障害として現れています。 本稿では,補助的ドラフトモデルのトレーニングを回避した投機的復号化フレームワークREADERを提案する。
  論文  参考訳（メタデータ） (2025-08-12T16:47:48Z)
• Enforcing Hard Linear Constraints in Deep Learning Models with Decision Rules [8.098452803458253]
  本稿では、入力依存線形等式とニューラルネットワーク出力の不等式制約を強制するモデルに依存しないフレームワークを提案する。 このアーキテクチャは、予測精度のために訓練されたタスクネットワークと、実行時の決定ルールと堅牢な最適化を用いてトレーニングされた安全なネットワークを組み合わせることで、入力空間全体の実現可能性を保証する。
  論文  参考訳（メタデータ） (2025-05-20T03:09:44Z)
• Long Context In-Context Compression by Getting to the Gist of Gisting [50.24627831994713]
  GistPoolは、デコーダ変換器にアーキテクチャ変更を加えることなく、コンテクスト内で圧縮する方法である。 圧縮速度が最小でも性能が大幅に低下し, より長いコンテキストで試行錯誤することを示す。 GistPoolは、gistingの単純さを保ちながら、長いコンテキスト圧縮タスクのパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-04-11T19:23:31Z)
• 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)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)

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。