Fugu-MT 論文翻訳(概要): TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery

論文の概要: TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery

arxiv url: http://arxiv.org/abs/2605.31156v1
Date: Fri, 29 May 2026 11:05:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.561621
Title: TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery
Title（参考訳）: TabCausal: タブラルカソーサル発見のためのカソーサル環境の事前学習
Authors: Zi-Rong Li, Si-Yang Liu, Tian-Zuo Wang, Han-Jia Ye,
Abstract要約: 因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
参考スコア（独自算出の注目度）: 47.81267771630766
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal discovery aims to recover directed causal relations from observational and interventional data, providing a basis for mechanistic understanding and reliable decision-making. Causal discovery foundation models (CDFMs) seek to amortize this problem by mapping a dataset directly to a causal graph in a single forward pass, avoiding per-dataset testing, search, or optimization. However, existing CDFMs remain limited, often failing to consistently match strong classical methods, and we find that a key bottleneck is how causal pretraining tasks are constructed. Based on this observation, we propose TabCausal, a data-driven CDFM trained with broad causal pretraining over diverse graph priors, structural mechanisms, noise models, dimensions, sample sizes, and intervention regimes. A dynamic task construction strategy composes these causal environments into varied discovery tasks, enabling more transferable structural learning from observational and mixed-interventional data. On large-scale synthetic benchmarks, TabCausal achieves better macro-averaged performance than a diverse set of causal discovery baselines. To further bridge abstract synthetic generators and realistic causal reasoning scenarios, we introduce a protocol-guided and LLM-audited semantic causal environment benchmark, where domain-grounded SCMs generate interpretable observational and interventional datasets for out-of-distribution analysis. Across both synthetic and semantic environments, TabCausal demonstrates robust structure recovery, especially under interventional evidence, highlighting broad causal pretraining as a key ingredient for transferable amortized causal discovery.
Abstract（参考訳）: 因果発見は、観察データと介入データから因果関係を復元することを目的としており、機械的理解と信頼性の高い意思決定の基礎を提供する。因果発見基盤モデル(CDFM)は、データセットを単一の前方パスの因果グラフに直接マッピングし、データセットごとのテスト、検索、最適化を避けることにより、この問題を改善しようとしている。しかし、既存のCDFMは限定的であり、しばしば強い古典的手法と一貫して一致しない。本研究は,多彩なグラフ先行,構造機構,ノイズモデル,寸法,サンプルサイズ,介入体制を多岐にわたる因果前訓練で訓練したデータ駆動CDFMであるTabCausalを提案する。動的タスク構築戦略は、これらの因果環境を様々な発見タスクに構成し、観察データと混合干渉データからより伝達可能な構造学習を可能にする。大規模な総合ベンチマークでは、TabCausalは様々な因果発見ベースラインよりもマクロ平均性能が向上している。抽象的な合成発電機と現実的な因果推論のシナリオをさらに橋渡しするために,プロトコルガイダンスとLCM監査による意味因果環境ベンチマークを導入し,ドメイン基底SCMが解釈可能な観察データセットと介入データセットを生成してアウト・オブ・ディストリビューション分析を行う。合成と意味の両方の環境において、TabCausalは、特に介入の証拠の下で、堅牢な構造回復を示し、伝達可能な償却因果発見の鍵となる幅広い因果前訓練を強調している。

関連論文リスト

Concomitant DAG Learning: On the Roles of Noise Adaptivity, Sparsity, and Non-negativity [14.977112037008224]
有向非巡回グラフ(DAG)は、複雑なシステムにおける因果関係の原理的推論を可能にする。ほとんどの古典的な構造同定アプローチは、非循環を強制することの難しさと、潜在ノイズや異種ノイズから生じる識別可能性の難しさの2つの主要な障害に直面している。本チュートリアルでは、DAG構造学習を連続的なスコアベース推定問題として再キャストすることで、最近の信号処理とこれらの問題に対処する進歩について概説する。
論文参考訳（メタデータ） (2026-05-22T12:00:00Z)
PACER: Acyclic Causal Discovery from Large-Scale Interventional Data [8.724450642752103]
PACERは、建設による非循環を保証する因果発見のためのスケーラブルなフレームワークである。観測データと介入データの統一的処理を支援する。タンパク質シグナリングと大規模な遺伝的摂動ベンチマークの最先端の手法を一致または超える。
論文参考訳（メタデータ） (2026-05-14T19:26:53Z)
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
論文参考訳（メタデータ） (2026-02-18T14:15:21Z)
FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions [1.7114074082429929]
因果解離表現学習(Causal Disentangled Representation Learning)は、観測から低次元表現を学習し、解離することを目的とする。本稿では,ブロック対角共分散VAEに基づく新しいCDRLフレームワークFlexCausalを提案する。本フレームワークは,学習した潜在部分空間と基底-真理因果関係の正確な構造的対応を保証する。
論文参考訳（メタデータ） (2026-01-29T11:30:53Z)
Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
論文参考訳（メタデータ） (2024-12-18T16:37:51Z)
Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文参考訳（メタデータ） (2024-02-04T05:50:38Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文参考訳（メタデータ） (2022-01-28T09:30:32Z)
BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。近年の進歩により、観測データからDAGの有効最大点推定が可能となった。線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文参考訳（メタデータ） (2021-12-06T03:35:21Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。