論文の概要: Dictionary Based Pattern Entropy for Causal Direction Discovery

• arxiv url: http://arxiv.org/abs/2603.04473v1
• Date: Wed, 04 Mar 2026 09:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:10.912302
• Title: Dictionary Based Pattern Entropy for Causal Direction Discovery
• Title（参考訳）: 辞書に基づく因果方向探索のためのパターンエントロピー
• Authors: Harikrishnan N B, Shubham Bhilare, Aditi Kathpalia, Nithin Nagaraj,
• Abstract要約: 本稿では、因果関係の方向と、影響変数の変化を駆動する特定のサブパターンの両方を推論する新しいemphDictionary Based Pattern Entropy(DPE$)フレームワークを提案する。 生物学的および生態学的データセットでは、パフォーマンスは競争力があり、代替手法は特定のゲノム設定において利点を示す。
• 参考スコア（独自算出の注目度）: 2.099922236065961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering causal direction from temporal observational data is particularly challenging for symbolic sequences, where functional models and noise assumptions are often unavailable. We propose a novel \emph{Dictionary Based Pattern Entropy ($DPE$)} framework that infers both the direction of causation and the specific subpatterns driving changes in the effect variable. The framework integrates \emph{Algorithmic Information Theory} (AIT) and \emph{Shannon Information Theory}. Causation is interpreted as the emergence of compact, rule based patterns in the candidate cause that systematically constrain the effect. $DPE$ constructs direction-specific dictionaries and quantifies their influence using entropy-based measures, enabling a principled link between deterministic pattern structure and stochastic variability. Causal direction is inferred via a minimum-uncertainty criterion, selecting the direction exhibiting stronger and more consistent pattern-driven organization. As summarized in Table 7, $DPE$ consistently achieves reliable performance across diverse synthetic systems, including delayed bit-flip perturbations, AR(1) coupling, 1D skew-tent maps, and sparse processes, outperforming or matching competing AIT-based methods ($ETC_E$, $ETC_P$, $LZ_P$). In biological and ecological datasets, performance is competitive, while alternative methods show advantages in specific genomic settings. Overall, the results demonstrate that minimizing pattern level uncertainty yields a robust, interpretable, and broadly applicable framework for causal discovery.
• Abstract（参考訳）: 時間的観測データから因果方向を明らかにすることは、機能モデルやノイズ仮定がしばしば利用できないシンボリックシーケンスにおいて特に困難である。 本稿では、因果関係の方向と、影響変数の変化を駆動する特定のサブパターンの両方を推論する、新規な \emph{Dictionary Based Pattern Entropy ("DPE$") フレームワークを提案する。 このフレームワークは \emph{Algorithmic Information Theory} (AIT) と \emph{Shannon Information Theory} を統合している。 因果関係は、その効果を体系的に制約する候補原因における、コンパクトで規則に基づくパターンの出現と解釈される。 DPE$は、方向特化辞書を構築し、エントロピーに基づく測度を用いてその影響を定量化し、決定論的パターン構造と確率的変数との原則的リンクを可能にする。 因果方向は最小不確かさ基準によって推測され、より強く一貫性のあるパターン駆動型組織を示す方向を選択する。 表7で要約されているように、$DPE$は、遅延ビットフリップの摂動、AR(1)結合、1Dスキューテントマップ、スパースプロセス、競合するAIIベースの手法(ETC_E$、$ETC_P$、$LZ_P$)など、様々な合成システムの信頼性を一貫して達成している。 生物学的および生態学的データセットでは、パフォーマンスは競争力があり、代替手法は特定のゲノム設定において利点を示す。 全体として、パターンレベルの不確実性を最小限に抑えることで、因果発見のための堅牢で解釈可能な、広く適用可能なフレームワークが得られることが示されている。

関連論文リスト

• Causal Ordering for Structure Learning From Time Series [8.2018747411276]
  時系列における因果発見は、真の因果関係を特定する複雑さによって妨げられる。 伝統的な順序付け法は本質的に、結果のモデルの表現能力を制限する。 時間データに対する拡散に基づく因果探索を用いたDOTSを提案する。
  論文  参考訳（メタデータ） (2025-10-28T17:06:15Z)
• MOCHA: Discovering Multi-Order Dynamic Causality in Temporal Point Processes [10.64307837085301]
  MOCHAは、時間点過程における多階動的因果関係を発見するための新しいフレームワークである。 我々は,MOCHAがイベント予測における最先端性能を実現し,意味的かつ解釈可能な因果構造を明らかにした。
  論文  参考訳（メタデータ） (2025-08-26T09:47:44Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms [17.368146833023893]
  本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。
  論文  参考訳（メタデータ） (2024-01-31T17:28:05Z)
• Order-based Structure Learning with Normalizing Flows [7.972479571606131]
  観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。 既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。 自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
  論文  参考訳（メタデータ） (2023-08-14T22:17:33Z)
• dotears: Scalable, consistent DAG estimation using observational and interventional data [1.220743263007369]
  因果性遺伝子制御ネットワークはDAG(direct acyclic graph)によって表現できる 単一の因果構造を推論する継続的最適化フレームワークであるtexttdotears$[doo-tairs]を提示する。 我々は、$texttdotears$は、軽度の仮定の下で真DAGの証明可能な一貫した推定量であることを示した。
  論文  参考訳（メタデータ） (2023-05-30T17:03:39Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• A Meta Learning Approach to Discerning Causal Graph Structure [1.52292571922932]
  分布の単純度を最適化することにより,変数間の因果方向を導出するためのメタラーニングの活用について検討する。 潜在変数を含むグラフ表現を導入し、より一般化性とグラフ構造表現を可能にする。 我々のモデルは、潜在共同設立者の影響にもかかわらず、複雑なグラフ構造の因果方向インジケータを学習することができる。
  論文  参考訳（メタデータ） (2021-06-06T22:44:44Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。