論文の概要: MOSAIC: Module Discovery via Sparse Additive Identifiable Causal Learning for Scientific Time Series

• arxiv url: http://arxiv.org/abs/2605.05524v1
• Date: Wed, 06 May 2026 23:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.452882
• Title: MOSAIC: Module Discovery via Sparse Additive Identifiable Causal Learning for Scientific Time Series
• Title（参考訳）: MOSAIC:Sparse Additive Identably Causal Learning for Scientific Time Series
• Abstract要約: 本稿では,時間的識別可能性と観測変数の回復支援を融合した疎時的VAEを提案する。 MOSAICは、状態条件付き時間変動によって潜伏変数を特定し、各潜伏変数のスパース集合を回復する。 ANOVA の主効果サポートは、一般的な滑らかな混合関数の下で識別可能であることを示し、抽出可能なスパース付加型に対して有限サンプル回復保証を提供する。
• 参考スコア（独自算出の注目度）: 11.126046808342705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal representation learning (CRL) seeks to recover latent variables with identifiability guarantees, typically up to permutation and component-wise reparameterization under appropriate assumptions. However, identifiability does not imply interpretability: latent semantics are typically assigned post hoc by alignment with known ground-truth factors. This limitation is particularly acute in scientific time series, where underlying mechanisms are unknown and discovering interpretable structure is a primary goal. In contrast, scientific observations (such as residue-pair distances, climate indices, or process sensors) are inherently semantic, as they correspond to named physical quantities. This raises a key question: can the interpretability of observations be transferred to the identifiable latent space? We propose MOSAIC (Module discovery via Sparse Additive Identifiable Causal learning), a sparse temporal VAE that integrates temporal CRL identifiability with support recovery over observed variables. MOSAIC identifies latent variables via regime-conditioned temporal variation, and recovers for each latent a sparse set of associated observations through an additive decoder, yielding module-level interpretability. We show that ANOVA main-effect supports are identifiable under general smooth mixing functions, and provide finite-sample recovery guarantees for a tractable sparse-additive variant. Empirically, MOSAIC recovers domain-consistent variable groups across RNA molecular dynamics, solar wind, ENSO climate, the Tennessee Eastman process, and a synthetic tokamak benchmark, enabling interpretable discovery of latent mechanisms in scientific time series.
• Abstract（参考訳）: 因果表現学習(CRL、Causal representation learning)は、一般に適切な仮定の下での置換やコンポーネントのパラメータ化によって、識別可能性を保証する潜在変数を復元することを目指している。 潜在意味論は一般に、既知の地下構造因子と整合してポストホックに割り当てられる。 この制限は、基礎となるメカニズムが未知であり、解釈可能な構造を発見することが第一の目標である科学時系列において特に急激である。 対照的に、科学的観測(残留対距離、気候指標、プロセスセンサーなど)は、名前のついた物理量に対応するため本質的に意味がある。 これは重要な疑問を提起する: 観測の解釈可能性は、識別可能な潜在空間に移せるか? 時間的CRL識別能力と観測変数の回復支援を融合したスパース時間的VAEであるMOSAIC(Module discovery via Sparse Additive Identifiable Causal Learning)を提案する。 MOSAICは、条件付き時間変動を通じて潜伏変数を特定し、加法デコーダを介して各潜伏変数のスパース集合を復元し、モジュールレベルの解釈可能性を得る。 ANOVA の主効果サポートは、一般的な滑らかな混合関数の下で識別可能であることを示し、抽出可能なスパース付加型に対して有限サンプル回復保証を提供する。 実証的に、MOSAICはRNA分子動力学、太陽風、ENSO気候、テネシー・イーストマン・プロセス、および合成トカマク・ベンチマークにわたるドメイン一貫性の変動群を復元し、科学時系列における潜伏機構の解釈可能な発見を可能にする。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Identifiable Multimodal Causal Representation Learning under Partial Latent Sharing [4.400865943835067]
  因果表現学習は、観測データから有意義な潜伏変数とその対応する因果構造を明らかにする。 CRLにおける識別可能性を証明することは本質的に困難であり、この研究でさらに難しい設定であるマルチモーダリティに対処する。 我々は、潜在部分共有構造を持つマルチモーダル観測データを考察する。各モダリティは、因果潜在変数の特定の部分集合から、非線型混合関数を介して生成される。 さらに、我々の識別可能性の結果は、各モードについて、潜伏変数よりも多く観察されるような不完全なシナリオにも当てはまる。
  論文  参考訳（メタデータ） (2026-05-18T21:34:29Z)
• From Syntax to Semantics: Unveiling the Emergence of Chirality in SMILES Translation Models [1.481663141554356]
  SMILES翻訳のための自動回帰変換器を用いたエンコーダデコーダモデルであるPan-COREを提案する。 我々は、高時間分解能チェックポイント分析を用いて、訓練中にキラル情報がどのように学習されるかを調べる。 SMILES翻訳はCLMのセマンティックな出現を機械的解析するための有用な実験システムとして機能することが示された。
  論文  参考訳（メタデータ） (2026-05-11T03:53:49Z)
• Molecules Meet Language: Confound-Aware Representation Learning and Chemical Property Steering in Transformer-VAE Latent Spaces [0.9332987715848714]
  分子生成モデルは、しばしば有意義な潜在幾何学を仮定するが、明らかな特性予測可能性は、シーケンスレベルのショートカットを反映することができる。 本研究では,SELFIESをトレーニングした教師なし自己回帰変換器-VAEを用いて,この問題について検討する。 化学的に有意なステアリングは、絡み合った分子潜在空間に現れるが、デコードされた分子によってのみ検証される。
  論文  参考訳（メタデータ） (2026-05-07T14:07:10Z)
• M-CaStLe: Uncovering Local Causal Structures in Multivariate Space-Time Gridded Data [0.6054759773528756]
  時空システムの因果グラフ発見は高次元グリッドデータでは困難である。 CaStLeは、時空の局所性と定常性の仮定の下で、そのニッチに対処するために開発された。 本稿では,M-CaStLeを用いて局所的な内部同定と時空間の時間的因果構造をグリッドデータでモデル化する。
  論文  参考訳（メタデータ） (2026-05-01T04:40:35Z)
• Causal Representation Meets Stochastic Modeling under Generic Geometry [49.24293444627916]
  我々は,連続時間潜在点過程の因果表現学習を開発する。 MUTATEは時間適応型遷移モジュールを持つ変分自動エンコーダフレームワークである。 シミュレーションおよび実証研究全体で、MUTATEは科学的疑問に効果的に答えられることが判明した。
  論文  参考訳（メタデータ） (2026-02-04T20:40:53Z)
• On the Identifiability of Regime-Switching Models with Multi-Lag Dependencies [42.274922469778545]
  マルチラグレジームスイッチングモデル(RSM)の一般的な理論的枠組みを開発する。 非線形ガウス条件下では,レギュラー数とマルチラグ遷移の双方の識別可能性を示す。 我々の結果は、アーキテクチャとノイズの仮定を通して完全に教師なしの設定を保ちます。
  論文  参考訳（メタデータ） (2026-01-06T15:12:39Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Latent Covariate Shift: Unlocking Partial Identifiability for Multi-Source Domain Adaptation [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Encoding Domain Information with Sparse Priors for Inferring Explainable Latent Variables [2.8935588665357077]
  説明可能な因子の推論を促進するために,スパース先行の因子潜在変数モデルであるspex-LVMを提案する。 spex-LVMは、既存の生物医療経路の知識を利用して、潜在因子にアノテート属性を自動的に割り当てる。 シミュレーションおよび実シングルセルRNA-seqデータセットの評価は、本モデルが本質的に説明可能な方法で関連構造を頑健に識別することを示す。
  論文  参考訳（メタデータ） (2021-07-08T10:19:32Z)

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。