Fugu-MT 論文翻訳(概要): Evolving Causal Regulatory Networks (ECR-Net)

論文の概要: Evolving Causal Regulatory Networks (ECR-Net)

arxiv url: http://arxiv.org/abs/2605.25211v1
Date: Sun, 24 May 2026 18:19:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-26 19:50:18.971623
Title: Evolving Causal Regulatory Networks (ECR-Net)
Title（参考訳）: Evolving Causal Regulatory Networks (ECR-Net)
Authors: Govind Vallabhasseri Binish, Abdhul Ahadh, Rano Roy Kavanal, Arya Ukunde,
Abstract要約: ECR-Netは適応因果メカニズム発見のためのバイオインスパイアされたフレームワークである。我々のアプローチは、静的グラフではなく、遺伝子制御ネットワーク(GRN)に類似した動的システムとしてデータ生成プロセスをモデル化する。 ECR-Netは、システムの基本的なルールがなぜ変更されるのかを発見でき、複雑な非定常システムにおける堅牢な一般化への道筋を提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern machine learning models excel at pattern recognition but remain brittle, often failing to generalize out of distribution (OOD) because they capture spurious correlations rather than the underlying causal data-generating process. Current causal discovery methods, while powerful, typically assume a static graph structure, rendering them unable to model systems that adapt or undergo structural changes across different environments. We introduce ECR-Net, Evolving Causal Regulatory Networks, a novel, bio-inspired framework for adaptive causal mechanism discovery. Our approach models the data-generating process not as a static graph, but as a dynamic system analogous to a Gene Regulatory Network (GRN), composed of localized, recursive functions where variables can activate and inhibit one another. To discover the latent structure of this network, we employ an evolutionary search algorithm that evolves a population of candidate regulatory graphs, optimizing for a fitness function that measures how well the simulated system dynamics reconstruct the observed data. The key innovation of ECR-Net is its ability to model structural adaptation, it explicitly ingests shifts in the data's statistical properties as signals of an environmental shock. In response, the evolutionary search identifies parsimonious modifications to the causal graph topology, such as link inhibitions or activations that explain the new data regime. We posit that ECR-Net represents a new class of adaptive Structural Causal Models capable of discovering how and why a system's fundamental rules change, offering a path toward robust generalization in complex, non-stationary systems.
Abstract（参考訳）: 現代の機械学習モデルはパターン認識において優れているが、不安定なままであり、基礎となる因果データ生成プロセスよりも急激な相関を捉えているため、分布(OOD)の一般化に失敗することが多い。現在の因果探索法は、典型的には静的グラフ構造を仮定するが、異なる環境にまたがって構造変化を適応または実施するシステムをモデル化できない。 ECR-Net, Evolving Causal Regulatory Networks, a novel, bio-inspired framework for adapt causal mechanism discovery。提案手法は静的グラフではなく,変数が互いに活性化・抑制できる局所化再帰関数からなる遺伝子レギュレータネットワーク(GRN)に類似した動的システムとして,データ生成過程をモデル化する。このネットワークの潜伏構造を発見するために,本手法では,シミュレーションされたシステムダイナミクスが観測データをどのように再構成するかを測定する適合度関数を最適化し,候補となる規制グラフの個体群を進化させる進化的探索アルゴリズムを用いる。 ECR-Netの重要な革新は、構造適応をモデル化する能力であり、環境ショックのシグナルとして、データの統計特性の変化を明示的に取り込みます。これに対し、進化的探索は、新しいデータ構造を説明するリンク阻害やアクティベーションのような因果グラフトポロジーに類似した修正を識別する。 ECR-Netが適応型構造因果モデル(英語版)の新たなクラスを表現し、システムの基本的なルールがなぜどのように変化するかを探索し、複雑な非定常系における堅牢な一般化への道筋を提供する。

関連論文リスト

PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文参考訳（メタデータ） (2025-08-29T01:47:27Z)
Hierarchical Representations for Evolving Acyclic Vector Autoregressions (HEAVe) [0.04096453902709291]
因果ネットワークは時系列システム内の影響構造を理解するための直感的なフレームワークを提供する。サイクルの存在は動的関係を曖昧にし、階層解析を妨げる。本稿では,非巡回ベクトル自己回帰過程に適合する進化的アプローチを提案し,新しい階層的表現を導入する。
論文参考訳（メタデータ） (2025-05-19T07:33:01Z)
SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data, with Applications to Stuart-Landau Oscillator Networks [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。本実験は, ネットワーク力学の精度向上と簡易性を検証した。
論文参考訳（メタデータ） (2024-09-02T17:51:37Z)
Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
論文参考訳（メタデータ） (2024-08-29T02:21:11Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
A purely data-driven framework for prediction, optimization, and control of networked processes: application to networked SIS epidemic model [0.8287206589886881]
我々は,大規模ネットワーク上での非線形力学の同定と制御を行う演算子理論に基づくデータ駆動型フレームワークを開発した。提案手法では、ネットワーク構造に関する事前の知識は必要とせず、状態の2段階のスナップショットのみを用いて基礎となるダイナミクスを識別する。
論文参考訳（メタデータ） (2021-08-01T03:57:10Z)
TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。与えられたデータの次元変化に不変な手法を提案する。
論文参考訳（メタデータ） (2021-02-25T14:24:49Z)
Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
論文参考訳（メタデータ） (2020-10-09T06:03:46Z)

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。