Fugu-MT 論文翻訳(概要): HCP-DCNet: A Hierarchical Causal Primitive Dynamic Composition Network for Self-Improving Causal Understanding

論文の概要: HCP-DCNet: A Hierarchical Causal Primitive Dynamic Composition Network for Self-Improving Causal Understanding

arxiv url: http://arxiv.org/abs/2603.12305v1
Date: Thu, 12 Mar 2026 09:11:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-16 17:38:11.695124
Title: HCP-DCNet: A Hierarchical Causal Primitive Dynamic Composition Network for Self-Improving Causal Understanding
Title（参考訳）: HCP-DCNet:自己改善型因果理解のための階層型因果的原始動的構成ネットワーク
Authors: Ming Lei, Shufan Wu, Christophe Baehr,
Abstract要約: 本稿では,emphHierarchical Causal Primitive Dynamic Composition Network (HCP-DCNet)を紹介する。離散的な記号因果推論で連続的な物理力学を橋渡しする。 HCP-DCNetは因果発見, 反事実推論, 構成一般化において, 最先端のベースラインを著しく上回っている。
参考スコア（独自算出の注目度）: 3.2452107817263003
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The ability to understand and reason about cause and effect -- encompassing interventions, counterfactuals, and underlying mechanisms -- is a cornerstone of robust artificial intelligence. While deep learning excels at pattern recognition, it fundamentally lacks a model of causality, making systems brittle under distribution shifts and unable to answer ``what-if'' questions. This paper introduces the \emph{Hierarchical Causal Primitive Dynamic Composition Network (HCP-DCNet)}, a unified framework that bridges continuous physical dynamics with discrete symbolic causal inference. Departing from monolithic representations, HCP-DCNet decomposes causal scenes into reusable, typed \emph{causal primitives} organized into four abstraction layers: physical, functional, event, and rule. A dual-channel routing network dynamically composes these primitives into task-specific, fully differentiable \emph{Causal Execution Graphs (CEGs)}. Crucially, the system employs a \emph{causal-intervention-driven meta-evolution} strategy, enabling autonomous self-improvement through a constrained Markov decision process. We establish rigorous theoretical guarantees, including type-safe composition, routing convergence, and universal approximation of causal dynamics. Extensive experiments across simulated physical and social environments demonstrate that HCP-DCNet significantly outperforms state-of-the-art baselines in causal discovery, counterfactual reasoning, and compositional generalization. This work provides a principled, scalable, and interpretable architecture for building AI systems with human-like causal abstraction and continual self-refinement capabilities.
Abstract（参考訳）: 介入、反ファクト、そして根底にあるメカニズムを含む、原因と効果について理解し、推論する能力は、堅牢な人工知能の基盤となっている。ディープラーニングはパターン認識に優れていますが、基本的に因果関係のモデルが欠如しています。本稿では,連続的な物理力学を離散的因果推論で橋渡しする統合フレームワークである「emph{Hierarchical Causal Primitive Dynamic Composition Network (HCP-DCNet)}を紹介する。モノリシックな表現とは別に、HCP-DCNetは因果的なシーンを再利用可能な型付き \emph{causal primitives} に分解する。デュアルチャネルルーティングネットワークは、これらのプリミティブをタスク固有の完全微分可能な \emph{Causal Execution Graphs (CEGs) に動的に構成する。重要なことに、このシステムは \emph{causal-intervention-driven meta-evolution} 戦略を採用し、マルコフ決定プロセスを通じて自律的な自己改善を可能にする。我々は、タイプセーフな構成、ルーティング収束、因果ダイナミクスの普遍近似を含む厳密な理論的保証を確立する。 HCP-DCNetは, 因果的発見, 反事実的推論, 構成的一般化において, 最先端のベースラインを著しく上回っている。この作業は、人間のような因果的抽象化と継続的自己修復機能を備えたAIシステムを構築するための、原則付き、スケーラブルで、解釈可能なアーキテクチャを提供する。

関連論文リスト

Learning Consistent Causal Abstraction Networks [14.952578725545344]
因果的人工知能は、構造因果モデル(SCM)を活用することにより、AIの説明可能性、堅牢性、信頼性を高めることを目的としている。我々は一貫した抽象ネットワーク(CAN)に取り組む。実験では、合成データの競合学習と多様なCAN構造の回復に成功した。
論文参考訳（メタデータ） (2026-02-02T16:16:29Z)
Information-Theoretic Bounds and Task-Centric Learning Complexity for Real-World Dynamic Nonlinear Systems [0.6875312133832079]
動的非線形系は静的および動的効果の結合による歪みを示す。本稿では, 構造化分解, 分散解析, タスク中心の複雑性境界に基づく理論的枠組みを提案する。
論文参考訳（メタデータ） (2025-09-08T12:08:02Z)
CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models [2.496034159762847]
CausalDynamicsは動的因果モデルの構造的発見を促進するためのフレームワークである。我々のベンチマークは、線形および非線形に結合した常微分方程式と微分方程式の両方から導出される真の因果グラフで構成されている。本研究では, ノイズ, 畳み込み, タグ付けされた動的システムにおいて, グラフ再構成のための最先端因果探索アルゴリズムを包括的に評価する。
論文参考訳（メタデータ） (2025-05-22T12:54:30Z)
Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
世界の知識と論理的推論の相互作用について検討する。最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
論文参考訳（メタデータ） (2024-10-31T12:48:58Z)
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)
Causality is all you need [63.10680366545293]
因果グラフルーティング(Causal Graph Routing, CGR)は、データに隠された原因影響力を明らかにするための介入機構を完全に依存した統合因果スキームである。 CGRは、Visual Question AnswerとLong Document Classificationタスクの両方において、最先端のメソッドを超越することができる。
論文参考訳（メタデータ） (2023-11-21T02:53:40Z)
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)
PAD-Net: An Efficient Framework for Dynamic Networks [72.85480289152719]
動的ネットワークを実装する際の一般的な実践は、与えられた静的レイヤを完全な動的レイヤに変換することである。我々は、冗長な動的パラメータを静的なパラメータに変換するために、部分的に動的ネットワーク、すなわちPAD-Netを提案する。提案手法は,2つの典型的な動的アーキテクチャを用いた大規模実験によって包括的に支持されている。
論文参考訳（メタデータ） (2022-11-10T12:42:43Z)
CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
論文参考訳（メタデータ） (2021-06-25T00:21:41Z)
AI Centered on Scene Fitting and Dynamic Cognitive Network [4.228224431041357]
より強力な人工知能を実現するためには、エンドツーエンドの関数計算を変更する必要がある。また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
論文参考訳（メタデータ） (2020-10-02T06:13:41Z)

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。