論文の概要: Causal-INSIGHT: Probing Temporal Models to Extract Causal Structure

• arxiv url: http://arxiv.org/abs/2603.25473v1
• Date: Thu, 26 Mar 2026 14:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.325823
• Title: Causal-INSIGHT: Probing Temporal Models to Extract Causal Structure
• Title（参考訳）: Causal-InSIGHT:因果構造抽出のための時間モデルの提案
• Authors: Benjamin Redden, Hui Wang, Shuyan Li,
• Abstract要約: Causal-INSIGHTは、訓練された時間的予測器からモデル実装された(予測者に依存しない)時間的な影響構造を抽出するためのモデルに依存しない、ポストホックな解釈フレームワークである。 提案するQbicは,地平線グラフラベルを必要とせずに,予測忠実度と構造的複雑さのバランスをとる,空間性を考慮したグラフ選択基準である。
• 参考スコア（独自算出の注目度）: 4.718641165826564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding directed temporal interactions in multivariate time series is essential for interpreting complex dynamical systems and the predictive models trained on them. We present Causal-INSIGHT, a model-agnostic, post-hoc interpretation framework for extracting model-implied (predictor-dependent), directed, time-lagged influence structure from trained temporal predictors. Rather than inferring causal structure at the level of the data-generating process, Causal-INSIGHT analyzes how a fixed, pre-trained predictor responds to systematic, intervention-inspired input clamping applied at inference time. From these responses, we construct directed temporal influence signals that reflect the dependencies the predictor relies on for prediction, and introduce Qbic, a sparsity-aware graph selection criterion that balances predictive fidelity and structural complexity without requiring ground-truth graph labels. Experiments across synthetic, simulated, and realistic benchmarks show that Causal-INSIGHT generalizes across diverse backbone architectures, maintains competitive structural accuracy, and yields significant improvements in temporal delay localization when applied to existing predictors.
• Abstract（参考訳）: 多変量時系列における有向時間相互作用の理解は、複雑な力学系とそれらに基づいて訓練された予測モデルを理解するのに不可欠である。 本稿では,学習時間予測器からモデル実装(予測者に依存した)指向的,時間遅れの影響構造を抽出する,モデル非依存のポストホック解釈フレームワークCausal-INSIGHTを提案する。 データ生成プロセスのレベルで因果構造を推定する代わりに、Causal-INSIGHTは、固定された事前訓練された予測器が、推論時に適用された系統的、介入にインスパイアされた入力クランプにどのように反応するかを分析する。 これらの反応から,予測器が予測に依存する依存性を反映する有向的時間的影響信号を構築し,地平線グラフラベルを必要とせず,予測の忠実度と構造的複雑さのバランスをとるような空間性を考慮したグラフ選択基準であるQbicを導入する。 合成、シミュレーション、および現実的なベンチマークによる実験により、Causal-INSIGHTは様々なバックボーンアーキテクチャをまたいで一般化し、競合的な構造的精度を維持し、既存の予測器に適用した場合の時間遅延ローカライゼーションを大幅に改善することを示した。

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)
• A Self-explainable Model of Long Time Series by Extracting Informative Structured Causal Patterns [22.54910673667678]
  本稿では,解釈可能な時系列モデリングのための統合フレームワークEXCAPを提案する。 EXCAPは時間とともにスムーズで安定した説明を提供し、因果マスクの摂動に頑健であることを示す。 これらの結果から、EXCAPは、医療や金融といった高額な領域に関係した、時系列の解釈可能なモデリングに対して、原則的かつスケーラブルなアプローチを提供することを示している。
  論文  参考訳（メタデータ） (2025-12-01T08:33:33Z)
• Characteristic Root Analysis and Regularization for Linear Time Series Forecasting [9.254995889539716]
  時系列予測は多くの領域において重要な課題である。 近年の研究では、単純な線形モデルの驚くほどの競争性が強調されている。 本稿では時間力学における特性根の役割に焦点を当てる。
  論文  参考訳（メタデータ） (2025-09-28T03:06:30Z)
• 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)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• 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)

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。