論文の概要: Mask2Cause: Causal Discovery via Adjacency Constrained Causal Attention
- arxiv url: http://arxiv.org/abs/2605.07280v1
- Date: Fri, 08 May 2026 05:43:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.831632
- Title: Mask2Cause: Causal Discovery via Adjacency Constrained Causal Attention
- Title（参考訳）: Mask2Cause: 隣接制限因果注意による因果発見
- Authors: Omar Muhammad, Pasupuleti Dhruv Shivkant, Deepak N. Subramani,
- Abstract要約: 本稿では,予測前方通過時に,基礎となる因果グラフを直接復元するエンドツーエンドフレームワークを提案する。
推定因果構造を用いて予測モデルのパラメータ数を平均70%以上削減できることを示す。
- 参考スコア（独自算出の注目度）: 0.13764085113103217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Leveraging deep learning for causal discovery in time series remains challenging because existing neural methods predominantly rely on component-wise architectures that fail to capture shared system dynamics or employ decoupled post-hoc graph extraction that risks overfitting to spurious correlations. We propose $\textbf{Mask2Cause}$, an end-to-end framework that recovers the underlying causal graph directly during the forecasting forward pass. Our approach introduces an Inverted Variable Embedding and an Adjacency-Constrained Masked Attention mechanism, trained with homoscedastic or heteroscedastic objectives to capture causal influences in both mean and variance. Empirical results on diverse benchmarks, from synthetic chaotic dynamics to realistic biological simulations, demonstrate state-of-the-art causal discovery with significantly reduced parameter complexity compared to standard baselines. We further show that inferred causal structures can be used to reduce parameter count of forecasting models by more than 70% on average while maintaining predictive accuracy.
- Abstract（参考訳）: 時系列における因果発見のためのディープラーニングを活用することは、既存のニューラルネットワーク手法が主に、共有システムのダイナミクスをキャプチャできないコンポーネントレベルのアーキテクチャや、過度な相関に適合するリスクを負う非結合なポストホックグラフ抽出に頼っているため、依然として難しい。
我々は,予測前方通過時に基盤となる因果グラフを直接復元するエンドツーエンドフレームワークである$\textbf{Mask2Cause}$を提案する。
提案手法では, 平均および分散の因果的影響を捉えるために, 相補的ないしヘテロ相補的目的によって訓練された, 逆変数埋め込みと随伴制約付きマスケトアテンション機構を導入する。
合成カオス力学から現実的な生物学的シミュレーションに至るまで、様々なベンチマークに関する実証的な結果は、標準的な基準線に比べてパラメータの複雑さが著しく低下した最先端の因果発見を実証している。
さらに,推定因果構造を用いて,予測精度を維持しつつ,予測モデルのパラメータ数を平均で70%以上削減できることを示す。
関連論文リスト
- Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。
ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。
実験により,提案手法が最先端検出性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-20T09:24:28Z) - Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。
合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
論文 参考訳（メタデータ） (2026-03-03T18:16:16Z) - Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。
我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
論文 参考訳（メタデータ） (2025-12-31T08:03:41Z) - UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems [4.9593603893289115]
スケーラブルな動的因果探索のための新しい深層学習手法UnCLeを提案する。
UnCLeはUncouplerとRecouplerの2つのネットワークを使って、入力時系列を意味表現に分解する。
時間的摂動によって引き起こされるデータポイントワイズ予測誤差を解析することにより、動的因果影響を推定する。
論文 参考訳（メタデータ） (2025-11-05T04:34:31Z) - On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Causal Autoregressive Flows [4.731404257629232]
自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。
我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
論文 参考訳（メタデータ） (2020-11-04T13:17:35Z)
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。