論文の概要: ClimateCause: Complex and Implicit Causal Structures in Climate Reports

• arxiv url: http://arxiv.org/abs/2604.14856v1
• Date: Thu, 16 Apr 2026 10:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.846876
• Title: ClimateCause: Complex and Implicit Causal Structures in Climate Reports
• Title（参考訳）: 気候調査報告における複雑で有害な因果構造
• Authors: Liesbeth Allein, Nataly Pineda-Castañeda, Andrea Rocci, Marie-Francine Moens,
• Abstract要約: 因果表現は正規化され、個々の因果関係に切り離される。 相関推論と因果連鎖推論に関する大規模な言語ベンチマークモデルでは、後者が重要な課題として強調されている。
• 参考スコア（独自算出の注目度）: 22.71538103040959
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Understanding climate change requires reasoning over complex causal networks. Yet, existing causal discovery datasets predominantly capture explicit, direct causal relations. We introduce ClimateCause, a manually expert-annotated dataset of higher-order causal structures from science-for-policy climate reports, including implicit and nested causality. Cause-effect expressions are normalized and disentangled into individual causal relations to facilitate graph construction, with unique annotations for cause-effect correlation, relation type, and spatiotemporal context. We further demonstrate ClimateCause's value for quantifying readability based on the semantic complexity of causal graphs underlying a statement. Finally, large language model benchmarking on correlation inference and causal chain reasoning highlights the latter as a key challenge.
• Abstract（参考訳）: 気候変動を理解するには、複雑な因果関係の推論が必要である。 しかし、既存の因果発見データセットは主に明示的で直接的な因果関係を捉えている。 これは、暗黙の因果関係やネストされた因果関係を含む、科学と政治の気候に関するレポートから、高次因果構造を手動で注釈付けしたデータセットである。 因果関係を正規化し、グラフ構築を容易にするために、因果関係、関係型、時空間文脈に固有のアノテーションを付与する。 さらに、ステートメントの根底にある因果グラフの意味的な複雑さに基づいて可読性を定量化するためのClimateCauseの価値を示す。 最後に、相関推論と因果連鎖推論に基づく大規模な言語モデルベンチマークは、後者を重要な課題として強調する。

関連論文リスト

• CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
  そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。 回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T18:06:15Z)
• Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
  Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。 本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。 標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
  論文  参考訳（メタデータ） (2026-02-18T14:15:21Z)
• Causal-Counterfactual RAG: The Integration of Causal-Counterfactual Reasoning into RAG [2.3490649790592935]
  大規模言語モデル(LLM)は自然言語処理(NLP)を変換し、大規模な事前学習知識を統合することで多様な応用を可能にしている。 Retrieval-Augmented Generation (RAG)は、検索機構と生成モデルを組み合わせて文脈理解を改善することでこの問題に対処する。 本稿では,因果関係を表す明示的な因果グラフを検索プロセスに統合し,因果構造に基づく反因果推論を取り入れた新しいフレームワークであるCausal-Counterfactual RAGを提案する。
  論文  参考訳（メタデータ） (2025-09-17T21:18:47Z)
• Causal Cartographer: From Mapping to Reasoning Over Counterfactual Worlds [9.153187514369849]
  因果世界モデルは、関心のある環境に関する反現実的な疑問に答えることができる。 事象の連鎖の背後にある根本原因を理解し、未知の分布に対する因果推論を行う必要がある。 提案手法は推論コストと素早い相関を低減しつつ因果知識を抽出できることを示す。
  論文  参考訳（メタデータ） (2025-05-20T14:14:05Z)
• Algorithmic causal structure emerging through compression [53.52699766206808]
  因果関係,対称性,圧縮の関係について検討する。 我々は、学習と圧縮の既知の関係を因果モデルが識別できないような環境に構築し、一般化する。 我々はアルゴリズム因果関係を因果関係の代替的定義として定義する。
  論文  参考訳（メタデータ） (2025-02-06T16:50:57Z)
• Learning General Causal Structures with Hidden Dynamic Process for Climate Analysis [39.69577035318778]
  我々は,(i)観測変数間の因果関係と(ii)潜在駆動力の相互作用を協調的に解明する統合的枠組みを導入する。 CRLと因果発見を統合した構造制約を持つ時系列生成モデルであるCaDRe(Causal Discovery and Representation Learning)を提案する。 実世界の気候データセットでは、CaDReは競争力のある予測精度を提供するだけでなく、ドメインの専門知識に合わせて視覚化された因果グラフを復元する。
  論文  参考訳（メタデータ） (2025-01-21T21:04:08Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• 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)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。