論文の概要: Interventional Time Series Priors for Causal Foundation Models

• arxiv url: http://arxiv.org/abs/2603.11090v1
• Date: Wed, 11 Mar 2026 06:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.507915
• Title: Interventional Time Series Priors for Causal Foundation Models
• Title（参考訳）: 因果ファンデーションモデルにおけるインターベンショナル時系列
• Authors: Dennis Thumm, Ying Chen,
• Abstract要約: 合成時間構造因果モデルを生成するための基本フレームワークである textbfCausalTimePrior を提案する。 従来,因果グラフ構造,非線形自己回帰機構,レジームスイッチングダイナミクス,複数介入タイプをサポートしていた。 CausalTimePriorでトレーニングされたPFNは、保持されたTSCM上でコンテキスト内因果効果を推定できることを実証する。
• 参考スコア（独自算出の注目度）: 3.654594055714305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior-data fitted networks (PFNs) have emerged as powerful foundation models for tabular causal inference, yet their extension to time series remains limited by the absence of synthetic data generators that provide interventional targets. Existing time series benchmarks generate observational data with ground-truth causal graphs but lack the interventional data required for training causal foundation models. To address this, we propose \textbf{CausalTimePrior}, a principled framework for generating synthetic temporal structural causal models (TSCMs) with paired observational and interventional time series. Our prior supports configurable causal graph structures, nonlinear autoregressive mechanisms, regime-switching dynamics, and multiple intervention types (hard, soft, time-varying). We demonstrate that PFNs trained on CausalTimePrior can perform in-context causal effect estimation on held-out TSCMs, establishing a pathway toward foundation models for time series causal inference.
• Abstract（参考訳）: 先行データ対応ネットワーク(PFN)は、表型因果推論の強力な基礎モデルとして登場したが、それらの時系列への拡張は、介入対象を提供する合成データ生成装置が存在しないことで制限されている。 既存の時系列ベンチマークでは、地平線因果グラフを用いた観測データを生成するが、因果基盤モデルのトレーニングに必要な介入データがない。 そこで本稿では,合成時間的構造因果モデル(TSCM)を,観測時系列と干渉時系列のペアで生成する基本的フレームワークである「textbf{CausalTimePrior}」を提案する。 従来は、構成可能な因果グラフ構造、非線形自己回帰機構、状態スイッチングダイナミクス、複数の介入タイプ(ハード、ソフト、タイムバージョニング)をサポートしていました。 我々は、CausalTimePriorでトレーニングされたPFNが、保持されたTSCM上でコンテキスト内因果効果を推定できることを示し、時系列因果推論のための基礎モデルに向けた経路を確立する。

関連論文リスト

• Generating Causal Temporal Interaction Graphs for Counterfactual Validation of Temporal Link Prediction [7.925229590936017]
  因果的相互作用グラフ (CTIG) を, 既知の地絡因果構造と組み合わせて生成する。 因果モデルを比較するために,クロスモデル予測誤差に基づく距離メトリックを提案する。 私たちのフレームワークは因果ベンチマークの基礎を提供します。
  論文  参考訳（メタデータ） (2026-02-02T14:36:18Z)
• Time Series Foundation Models for Process Model Forecasting [8.339024524110828]
  プロセスモデル予測は、プロセスの制御フロー構造が時間とともにどのように進化するかを予測することを目的としています。 機械学習とディープラーニングモデルは、統計的ベースラインよりも控えめな利得しか提供しない。 PMF の代替として Time Series Foundation Models (TSFMs) について検討する。
  論文  参考訳（メタデータ） (2025-12-08T15:08:50Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• 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)
• Add and Thin: Diffusion for Temporal Point Processes [24.4686728569167]
  ADD-THINは、時間点過程(TPP)ネットワークの確率的デノナイジング拡散モデルである。 イベントシーケンス全体で動作し、密度推定において最先端のTPPモデルと一致する。 合成および実世界のデータセットの実験において、我々のモデルは密度推定における最先端のTPPモデルと一致し、予測においてそれらを強く上回る。
  論文  参考訳（メタデータ） (2023-11-02T10:42:35Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Inferring Individual Level Causal Models from Graph-based Relational Time Series [3.332377849866735]
  グラフに基づく関係時系列データに対する因果推論の問題を定式化する。 ノードの局所因果効果を正確に推定するために,グラフトポロジと時系列の両方を活用する因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-16T18:48:40Z)

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。