Fugu-MT 論文翻訳(概要): TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data

論文の概要: TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data

arxiv url: http://arxiv.org/abs/2605.08111v1
Date: Mon, 27 Apr 2026 19:44:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-25 12:34:33.70464
Title: TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data
Title（参考訳）: TTCD:非定常時系列データからの変圧器統合時間因果発見
Authors: Omar Faruque, Sahara Ali, Xue Zheng, Jianwu Wang,
Abstract要約: 非定常時系列から同時・ラタグ因果関係を学習するエンドツーエンドアプローチを提案する。キーとなる革新は因果信号の蒸留であり、変圧器デコーダの再構成プロセスを通じて必須因果信号を蒸留する。合成、ベンチマーク、実世界のデータセットの実験は、TTCDがドメイン知識の正確性と一貫性の両方において、最先端のベースラインを一貫して上回っていることを示している。
参考スコア（独自算出の注目度）: 0.18097009159779617
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The widespread availability of complex time series data in various domains such as environmental science, epidemiology, and economics demands robust causal discovery methods that can identify intricate contemporaneous and lagged relationships in non-stationary, nonlinear, and noisy settings. Existing constraint-based methods often rely heavily on conditional independence tests that degrade for limited data samples and complex distributions, while score-based methods impose strong statistical assumptions. Recent methods address special cases such as change point detection or distribution shifts, but struggle to provide a unified solution. We propose the Transformer Integrated Temporal Causal Discovery (TTCD) Framework, a novel end-to-end approach that learns contemporaneous and lagged causal relations from non-stationary time series. TTCD introduces a Non-Stationary Feature Learner integrating temporal and frequency-domain attention with dynamic non-stationarity profiling, and a custom Causal Structure Learner. A key innovation is reconstruction-guided causal signal distillation, to distill essential causal signals through the reconstruction process of the transformer decoder, which mitigates noise and spurious correlations while preserving meaningful dependencies. The Causal Structure Learner operates on distilled reconstructed signals to infer the underlying causal graph without restrictive assumptions on noise distributions or data generation processes. Experiments on synthetic, benchmark, and real world datasets show that TTCD consistently outperforms state-of-the-art baselines in both accuracy and consistency with domain knowledge, demonstrating the approach's effectiveness for causal discovery in challenging real world contexts.
Abstract（参考訳）: 環境科学、疫学、経済学など様々な分野における複雑な時系列データの普及は、非定常的、非線形的、ノイズの多い環境において、複雑な同時関係とラタグ関係を識別できる堅牢な因果発見法を要求する。既存の制約ベースの手法は、限られたデータサンプルや複雑な分布を分解する条件付き独立テストに大きく依存することが多いが、スコアベースの手法は強い統計的仮定を課す。最近の方法では、変更点検出や分散シフトといった特殊なケースに対処するが、統一されたソリューションの提供に苦慮している。非定常時系列から同時・ラタグ因果関係を学習する新しいエンドツーエンドアプローチであるTransformer Integrated Temporal Causal Discovery (TTCD) Frameworkを提案する。 TTCDは、時間領域と周波数領域の注意を動的非定常プロファイリングと統合した非定常特徴学習機と、カスタムの因果構造学習機を導入している。重要な革新は、変換器デコーダの再構成プロセスを通じて重要な因果信号を蒸留する、再構成誘導因果信号蒸留である。因果構造学習者は、ノイズ分布やデータ生成プロセスに関する制限的な仮定なしに、基礎となる因果グラフを推測するために、蒸留された再構成信号を操作している。合成、ベンチマーク、および実世界のデータセットの実験では、TTCDは、精度とドメイン知識との整合性の両方において、最先端のベースラインを一貫して上回り、現実のコンテキストに挑戦する因果発見に対するアプローチの有効性を実証している。

関連論文リスト

Causal Discovery in Multivariate Time Series through Mutual Information Featurization [0.1657441317977376]
時間的因果関係(TD2C)は、情報理論と統計的記述の豊富なセットから複雑な因果的シグネチャを認識することを学ぶ。以上の結果から,TD2Cは最先端の性能を達成し,確立された手法を一貫して上回ることを示す。
論文参考訳（メタデータ） (2025-08-03T17:03:13Z)
ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
論文参考訳（メタデータ） (2025-07-04T05:39:50Z)
Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
因果発見のための統合フレームワークであるFANTOMを紹介する。非定常過程と非ガウス的および異方性雑音を扱う。同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
論文参考訳（メタデータ） (2025-06-20T15:12:43Z)
Temporal Causal-based Simulation for Realistic Time-series Generation [1.49201581313345]
因果発見(Causal Discovery)は、観察された変数間の関係を明らかにする上で、特に時間的設定において重要な役割を果たす。因果構造、効果、時間に関する簡易な仮定に基づく生成技術は、シミュレーションデータの品質と多様性を制限する。本稿では,実時間時系列データとその関連する時間因果グラフを生成するための堅牢なフレームワークである時間因果シミュレーション(TCS)を紹介する。
論文参考訳（メタデータ） (2025-06-02T10:59:48Z)
TimeGraph: Synthetic Benchmark Datasets for Robust Time-Series Causal Discovery [4.07304559469381]
合成時系列ベンチマークデータセットの総合的なスイートであるTimeGraphを紹介する。各データセットには、様々な密度と多様なノイズ分布を特徴とする、完全に定義された因果グラフが付属する。我々は、最先端因果探索アルゴリズムの体系的評価を通じて、TimeGraphの有用性を実証する。
論文参考訳（メタデータ） (2025-06-02T06:34:11Z)
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)
TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文参考訳（メタデータ） (2024-04-01T20:33:29Z)
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)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
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。