論文の概要: Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions
- arxiv url: http://arxiv.org/abs/2605.09870v1
- Date: Mon, 11 May 2026 01:54:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.465201
- Title: Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions
- Title（参考訳）: シミュレータによるインターベンション分布によるインターベンションに基づく時系列因果発見
- Authors: Tsuyoshi Okita,
- Abstract要約: 物理学に基づくシミュレータをPearlのdo演算子の機械的実現として扱う時系列因果発見のためのフレームワークを提案する。
シミュレータ内の変数を物理的に分離するパスをクランプし、建設による介入データを生成する。
サインフリップ座標は、シミュレータの精度がしきい値以下になると、推定因果効果が符号を反転させると予測する。
- 参考スコア（独自算出の注目度）: 2.0013177824602444
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose SVAR-FM (Structural VAR with Flow Matching), a framework for time series causal discovery that treats a physics-based simulator as a mechanical realization of Pearl's do operator. Clamping a variable inside the simulator physically severs confounding paths, producing interventional data by construction. Conditional Flow Matching then learns the nonlinear interventional conditionals. Theoretically, we prove that the full structural VAR becomes identifiable under a coverage condition on the simulator-clampable variables, and derive an end-to-end error bound that decomposes into Monte Carlo, simulator fidelity, and Flow Matching terms. A sign-flip corollary predicts that when simulator accuracy falls below a threshold, the estimated causal effect reverses sign. Empirically, a benchmark across four scientific domains confirms that SVAR-FM recovers the correct causal sign where observational methods produce sign-reversed estimates due to confounding. A case study in ultrafast laser physics verifies the sign-flip prediction by physically varying the accuracy level of a first-principles quantum solver: the low-accuracy setting reverses the causal sign, while the high-accuracy setting recovers the correct direction (R-squared = 0.983, zero bias).
- Abstract（参考訳）: 本稿では,Pearlのdo演算子の機械的実現として物理に基づくシミュレーターを扱う時系列因果発見フレームワークSVAR-FMを提案する。
シミュレータ内の変数を物理的に分離するパスをクランプし、建設による介入データを生成する。
条件付きフローマッチングは、非線形干渉条件を学習する。
理論的には、完全な構造的VARは、シミュレータのクランプ可能な変数のカバレッジ条件下で識別可能であることを証明し、モンテカルロ、シミュレータの忠実度、フローマッチングの項に分解されるエンドツーエンドの誤差境界を導出する。
サインフリップ座標は、シミュレータの精度がしきい値以下になると、推定因果効果が符号を反転させると予測する。
4つの科学的領域にわたるベンチマークでは、SVAR-FMが観測手法が観測結果の逆推定を導出する正しい因果符号を復元することを確認した。
超高速レーザー物理学におけるケーススタディでは、第1原理量子ソルバの精度レベルを物理的に変化させることでサインフリップ予測を検証し、低精度設定は因果符号を逆転させ、高精度設定は正しい方向を回復する(R-squared = 0.983, zero bias)。
関連論文リスト
- PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Learning Response-Statistic Shifts and Parametric Roll Episodes from Wave--Vessel Time Series via LSTM Functional Models [0.0]
パラメトリックロールは、船の反応の急激な状態変化を引き起こす、まれだが高頻度の不安定性である。
本稿では,入射波動時系列から容器運動への非線形・因果関数マッピングを学習するデータ駆動サロゲートを開発した。
論文 参考訳（メタデータ） (2026-03-25T15:38:26Z) - ReloQate: Transient Drift Detection and In-Situ Recalibration in Surface Code Quantum Error Correction [0.5862480696321741]
表面符号の量子誤差補正で容易に利用できる過渡情報を利用して、論理誤差率(LER)をリアルタイムで予測する。
実ハードウェアから物理誤差率をサンプリングして予測モデルを推定し, 検出器火災率(DFR)をLERにマッピングする。
この結果から,DFRに基づく予測がLER予測の有効性を示すとともに,小さな符号距離に対する空間的に効率的かつタイムリーな緩和応答として再マッピングを行った。
論文 参考訳（メタデータ） (2026-02-28T23:16:53Z) - Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。
PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
論文 参考訳（メタデータ） (2025-11-17T09:37:04Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。
このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。
パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2025-08-11T01:32:09Z) - G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。
信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
論文 参考訳（メタデータ） (2025-06-10T22:14:34Z) - Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning
for Enhancing Forecasting Accuracy [0.7149367973754319]
LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。
本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
論文 参考訳（メタデータ） (2024-03-07T13:19:38Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。
これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。
提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
論文 参考訳（メタデータ） (2022-06-04T19:45:02Z)
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。