論文の概要: From Causal Discovery to Dynamic Causal Inference in Neural Time Series

• arxiv url: http://arxiv.org/abs/2603.20980v1
• Date: Sat, 21 Mar 2026 23:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.178109
• Title: From Causal Discovery to Dynamic Causal Inference in Neural Time Series
• Title（参考訳）: ニューラル時系列における因果発見から動的因果推論へ
• Abstract要約: 本稿では,データ駆動因果探索と時間変化因果推論を統合した2段階の神経因果モデリングフレームワークを提案する。 我々はDCNARの科学的妥当性を,因果的必要性,時間的安定性,構造変化に対する感受性を評価する行動診断を用いて評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-varying causal models provide a powerful framework for studying dynamic scientific systems, yet most existing approaches assume that the underlying causal network is known a priori - an assumption rarely satisfied in real-world domains where causal structure is uncertain, evolving, or only indirectly observable. This limits the applicability of dynamic causal inference in many scientific settings. We propose Dynamic Causal Network Autoregression (DCNAR), a two-stage neural causal modeling framework that integrates data-driven causal discovery with time-varying causal inference. In the first stage, a neural autoregressive causal discovery model learns a sparse directed causal network from multivariate time series. In the second stage, this learned structure is used as a structural prior for a time-varying neural network autoregression, enabling dynamic estimation of causal influence without requiring pre-specified network structure. We evaluate the scientific validity of DCNAR using behavioral diagnostics that assess causal necessity, temporal stability, and sensitivity to structural change, rather than predictive accuracy alone. Experiments on multi-country panel time-series data demonstrate that learned causal networks yield more stable and behaviorally meaningful dynamic causal inferences than coefficient-based or structure-free alternatives, even when forecasting performance is comparable. These results position DCNAR as a general framework for using AI as a scientific instrument for dynamic causal reasoning under structural uncertainty.
• Abstract（参考訳）: 時間変化による因果関係モデルは、動的科学的システムを研究するための強力な枠組みを提供するが、既存のほとんどのアプローチでは、根底にある因果関係のネットワークは先入観として知られている。 これは、多くの科学的設定において動的因果推論の適用性を制限する。 データ駆動因果探索と時間変化因果推論を統合した2段階の神経因果モデリングフレームワークであるDynamic Causal Network Autoregression (DCNAR)を提案する。 最初の段階では、神経自己回帰因果探索モデルが多変量時系列からスパース指向因果ネットワークを学習する。 第2段階では、この学習された構造は、時間変化のニューラルネットワーク自己回帰の事前構造として使用され、事前に特定されたネットワーク構造を必要とせず、因果影響の動的推定を可能にする。 我々は,DCNARの科学的妥当性を,因果的必要性,時間的安定性,構造変化に対する感受性を評価する行動診断を用いて評価した。 マルチカントリーパネル時系列データを用いた実験により、学習された因果ネットワークは、予測性能が同等である場合でも、係数ベースや構造自由な代替よりも安定で行動的に意味のある因果推論が得られることが示された。 これらの結果は、構造的不確実性の下での動的因果推論の科学的手段としてAIを使用するための一般的な枠組みとしてDCNARを位置づけている。

関連論文リスト

• Coarse-to-Fine Learning of Dynamic Causal Structures [42.51711083245258]
  動的因果構造学習フレームワークであるDyCausalを紹介する。 DyCausalは粗い時間窓内の因果パターンをキャプチャし、各ステップで因果構造を洗練するために線形系列を適用する。 さらに,行列ノルムスケーリングに基づく非循環的制約を提案し,因果構造を進化させる際のループを効果的に拘束しながら効率を向上する。
  論文  参考訳（メタデータ） (2026-02-26T02:12:34Z)
• Physics as the Inductive Bias for Causal Discovery [7.9653270330458446]
  因果発見は、しばしば複雑な現実世界のシステムを分析するためのデータ駆動パラダイムである。 我々は,因果グラフ構造を利用してパラメータ推定を行うスケーラブルなスペーサ性誘導型MLEアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-02-03T23:42:01Z)
• Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis [7.847876045564289]
  現実世界のシステムは根底にある因果関係に従って連続的に進化するが、そのダイナミクスはしばしば不明である。 動的システムにおける因果発見の新しい手法であるCaDyTを提案する。 実験の結果,CaDyTは定期的に,不規則にサンプリングされたデータに対して,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-16T12:41:22Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• 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)
• 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)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• 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)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)

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。