論文の概要: Emergent causal order and time direction: bridging causal models and tensor networks

• arxiv url: http://arxiv.org/abs/2603.12283v1
• Date: Thu, 05 Mar 2026 17:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.206486
• Title: Emergent causal order and time direction: bridging causal models and tensor networks
• Title（参考訳）: 創発的因果順序と時間方向:ブリッジング因果モデルとテンソルネットワーク
• Authors: Carla Ferradini, Giulia Mazzola, V. Vilasini,
• Abstract要約: 我々はコーサルモデルとテンソルネットワークの双方向マッピングを構築し、方向相関関数と信号処理の操作概念をリンクする。 フレームワークをホログラフテンソルネットワークに適用すると、グラフ分離のような因果推論のツールを使用して、創発的因果構造を分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can the direction of time and the causal structure of space-time be inferred from operational principles? Causal models and tensor networks offer complementary perspectives: the former encodes cause-effect relations via directed graphs, with intrinsic ordering; the latter describes multipartite systems on undirected graphs, without presupposing directionality. We construct two-way mappings between these two frameworks, linking direction agnostic correlation functions and operational notions of signalling. This clarifies the operational meaning of causal influence in tensor networks and introduces discrete "space-time rotations'' of causal models which preserve signalling relations. Applying our framework to holographic tensor networks, we use tools from causal inference, like graph-separation, to analyse emergent causal structures. By permitting cyclic and indefinite causal structures, our results enable transfer of techniques across tensor networks and a range of causality frameworks.
• Abstract（参考訳）: 時間方向と時空の因果構造は、運用原理から推測できるのか? 因果モデルとテンソルネットワークは相補的な視点を提供する: 前者は有向グラフを通して因果関係をコードし、本質的な順序付けを行う。 これら2つのフレームワーク間の双方向マッピングを構築し、方向に依存しない相関関数と信号処理の操作概念をリンクする。 このことはテンソルネットワークにおける因果関係の運用的意味を明らかにし、信号関係を保存する因果モデルの離散的な「時空回転」を導入する。 フレームワークをホログラフテンソルネットワークに適用すると、グラフ分離のような因果推論のツールを使用して、創発的因果構造を分析する。 循環的および不確定な因果構造を許容することにより、テンソルネットワークと様々な因果関係のフレームワーク間でのテクニックの伝達を可能にする。

関連論文リスト

• Causal Neighbourhood Learning for Invariant Graph Representations [8.854365724044984]
  本稿では,グラフ構造に対する因果的介入を行う新しいフレームワークであるグラフニューラルネットワークを用いた因果学習(CNL-GNN)を提案する。 CNL-GNNは因果関係を効果的に同定し、保存し、刺激的な影響を減少させる。 提案手法は,従来の特徴に基づく手法を超えて因果グラフ学習を改善し,ロバストな分類モデルを実現する。
  論文  参考訳（メタデータ） (2026-02-20T01:52:58Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• CausalMamba: Interpretable State Space Modeling for Temporal Rumor Causality [4.936998293690288]
  CausalMambaは、Mambaベースのシーケンスモデリング、グラフ畳み込みネットワーク(GCN)、NOTEARSによる微分因果発見を統合する新しいフレームワークである。 我々のフレームワークは、噂の分類と影響分析に統一的なアプローチを提供し、より説明しやすく行動可能な誤情報検出システムを実現する。
  論文  参考訳（メタデータ） (2025-11-20T09:59:16Z)
• Understanding the Effect of GCN Convolutions in Regression Tasks [8.299692647308323]
  グラフ畳み込みネットワーク(GCN)は、グラフ上の関数をモデル化する機械学習において重要な手法となっている。 グラフ構造が近隣ノードに類似した信号を示すことを示すネットワークを考える。 一般的な2つの畳み込み(元のGCNとGraphSAGEの畳み込み)が学習エラーにどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2024-10-26T04:19:52Z)
• Cascading Failure Prediction via Causal Inference [14.016252401409462]
  本稿では,送電網のカスケード故障を解析するための新しい枠組みを提案する。 新たな異常がシステム全体にどのように伝播するかを予測するための因果推論フレームワークを形式化する。 このフレームワークの有効性は、IEEE 14-bus、39-bus、および118-busシステムの関連する文献と比較して評価される。
  論文  参考訳（メタデータ） (2024-10-24T22:22:08Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions [1.994307489466967]
  この研究は、メッセージパッシングニューラルネットワークにおいて、ネットワークの幅、深さ、グラフトポロジがオーバーカッシング現象に与える影響を明らかにする理論的枠組みから始まる。 この研究は、トポロジカルニューラルネットワークを通して高次相互作用と多関係帰納バイアスへと流れていく。 グラフ注意ネットワークにインスパイアされた2つのトポロジカルアテンションネットワーク(Simplicial and Cell Attention Networks)が提案されている。
  論文  参考訳（メタデータ） (2024-02-10T08:26:06Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)

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。