Fugu-MT 論文翻訳(概要): Distributed Dynamic Invariant Causal Prediction in Environmental Time Series

論文の概要: Distributed Dynamic Invariant Causal Prediction in Environmental Time Series

arxiv url: http://arxiv.org/abs/2603.02902v1
Date: Tue, 03 Mar 2026 11:52:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-04 21:38:10.77843
Title: Distributed Dynamic Invariant Causal Prediction in Environmental Time Series
Title（参考訳）: 環境時系列における分散動的不変因果予測
Authors: Ziruo Hao, Tao Yang, Xiaofeng Wu, Bo Hu,
Abstract要約: 時系列における分散動的不変因数予測(DisDy-ICPT)を提案する。 DisDy-ICPTは時間とともに動的因果関係を学習し、データ通信を必要とせずに空間的共役変数を緩和する。その結果,DDy-ICPTはベースライン法A,Bよりも優れた予測安定性と精度を達成できることが示唆された。
参考スコア（独自算出の注目度）: 9.779350203438485
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The extraction of invariant causal relationships from time series data with environmental attributes is critical for robust decision-making in domains such as climate science and environmental monitoring. However, existing methods either emphasize dynamic causal analysis without leveraging environmental contexts or focus on static invariant causal inference, leaving a gap in distributed temporal settings. In this paper, we propose Distributed Dynamic Invariant Causal Prediction in Time-series (DisDy-ICPT), a novel framework that learns dynamic causal relationships over time while mitigating spatial confounding variables without requiring data communication. We theoretically prove that DisDy-ICPT recovers stable causal predictors within a bounded number of communication rounds under standard sampling assumptions. Empirical evaluations on synthetic benchmarks and environment-segmented real-world datasets show that DisDy-ICPT achieves superior predictive stability and accuracy compared to baseline methods A and B. Our approach offers promising applications in carbon monitoring and weather forecasting. Future work will extend DisDy-ICPT to online learning scenarios.
Abstract（参考訳）: 気候科学や環境モニタリングといった分野において,時系列データと環境特性から不変因果関係の抽出は,堅牢な意思決定に不可欠である。しかし、既存の手法では、環境コンテキストを活用することなく動的因果解析を強調するか、静的不変因果推論に重点を置いており、分散時間設定のギャップを残している。本稿では,データ通信を必要とせずに空間的共役変数を緩和しつつ,時間とともに動的因果関係を学習する新しいフレームワークであるDisDy-ICPTを提案する。理論的には、DisDy-ICPTは標準的なサンプリング仮定の下で、有界な通信ラウンドで安定した因果予測器を復元する。本手法は炭素モニタリングと天気予報に有望な応用をもたらす。DDy-ICPTはベースライン法A,Bよりも優れた予測安定性と精度を実現する。今後の作業は、DisDy-ICPTをオンライン学習シナリオに拡張する予定である。

関連論文リスト

On the Plasticity and Stability for Post-Training Large Language Models [54.757672540381236]
塑性と安定性勾配の矛盾として根本原因を同定する。本稿では,確率的衝突解決法(PCR)を提案する。 PCRはトレーニングの軌道を著しく滑らかにし、様々な推論タスクにおいて優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-02-06T07:31:26Z)
Temp-SCONE: A Novel Out-of-Distribution Detection and Domain Generalization Framework for Wild Data with Temporal Shift [0.0874967598360817]
本研究では,動的環境における時間変化を処理するために,時間的に一貫したSCONE拡張であるTemp-SCONEを提案する。動的データセットの実験により、Temp-SCONEは時間的ドリフト下で著しく改善することが示された。時間的安定性と一般化誤差に関する理論的考察により、Temp-SCONEは信頼性OWLへのステップとしてさらに確立される。
論文参考訳（メタデータ） (2025-12-04T08:35:51Z)
Online Time Series Forecasting with Theoretical Guarantees [41.800689835293774]
理論的保証付きオンライン時系列予測のための理論的枠組みを提案する。潜伏変数による予測器の供給がベイズリスクを締め付けることを実証する。また,近接観測が最小限である潜伏変数の同定も提案する。
論文参考訳（メタデータ） (2025-10-21T04:12:11Z)
Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
論文参考訳（メタデータ） (2025-05-11T05:56:07Z)
Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2025-03-06T21:21:15Z)
A Practical Approach to Causal Inference over Time [17.660953125689105]
我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
論文参考訳（メタデータ） (2024-10-14T13:45:20Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
論文参考訳（メタデータ） (2024-05-23T13:37:26Z)
Nonstationary Time Series Forecasting via Unknown Distribution Adaptation [22.915008205203886]
環境が進化するにつれて、時間分布シフトは時系列予測性能を低下させる可能性がある。均一分布シフトを仮定して定常成分と非定常成分をアンタングルする手法もあるが、分布変化が未知であることから現実的ではない。非定常時系列予測のためのtextbfUnknown textbfDistribution textbfAdaptation (textbfUDA) モデルを提案する。
論文参考訳（メタデータ） (2024-02-20T07:16:12Z)
Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文参考訳（メタデータ） (2022-06-16T17:15:15Z)
Differentiable Invariant Causal Discovery [106.87950048845308]
観測データから因果構造を学ぶことは、機械学習の基本的な課題である。本稿では,不特定変分因果解法(DICD)を提案する。合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
論文参考訳（メタデータ） (2022-05-31T09:29:07Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。