論文の概要: Temporal Causal Prior-Data Fitted Networks for Panel Data with Learned Reliability Signals

• arxiv url: http://arxiv.org/abs/2606.20889v1
• Date: Thu, 18 Jun 2026 19:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:15:32.778167
• Title: Temporal Causal Prior-Data Fitted Networks for Panel Data with Learned Reliability Signals
• Title（参考訳）: 信頼度を学習したパネルデータのための時間因果前処理ネットワーク
• Authors: Shravan Talupula, Saurabh Sharma,
• Abstract要約: TCPFN(Temporal Causal Prior-Data Fitted Networks)を紹介する。 TCPFNは、学習された信頼性信号を用いたゼロショット時間因果探索の基礎モデルである。 5つのドメインにわたる19のベンチマークデータセットでは、TCPFNは競合するゼロショット因果発見を実現する。
• 参考スコア（独自算出の注目度）: 4.7124535250640704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating causal effects in industrial time series requires handling temporal dynamics, time-varying treatments, and unobserved confounders. Existing causal foundation models (CausalPFN, CausalFM) operate only on static cross-sectional data; neural temporal methods (CRN, G-Net) require per-dataset training; and concurrent temporal-PFN proposals have not been demonstrated at industrial scale. None output explicit per-pair reliability signals alongside their CATE estimates. We introduce Temporal Causal Prior-Data Fitted Networks (TCPFN), a foundation model for zero-shot temporal causal discovery with learned reliability signals. TCPFN makes four contributions: (1) a Causal Judgment Head that jointly predicts null-effect probability, confounding strength, identifiability, mediation fraction, and causal regime; (2) a mixed training prior covering six causal regimes (independent, direct, confounded, mediated, time-varying confounded, feedback) plus CausalFM-style front-door and instrumental-variable priors; (3) a discrete-token panel-data architecture with cross-attention masking that prevents inter-horizon leakage; (4) zero-shot inference at industrial scale via FAISS-based context selection and one-step posterior correction. On 19 benchmark datasets across five domains, TCPFN achieves competitive zero-shot causal discovery: AUROC 0.96 on Tennessee Eastman, 0.93 on SWaT, 0.98 on Causal Rivers, 0.97 on CAUSRCA. The null detector reaches NullF1 0.94, AUROC 0.99. TCPFN scales to V=1,275 on a proprietary Kraft pulp-and-paper dataset in 6 hours on a single GPU; PCMCI, a CPU-only library, on a V=666 sub-panel of the same data took 81.5 hours, extrapolating by O(V^2) to ~12.5 days at V=1,275. TCPFN's top edges identify cross-subsystem causal relationships while PCMCI's surface within-instrument controller-measurement coupling -- a scalability case study.
• Abstract（参考訳）: 産業時系列における因果効果を推定するには、時間的ダイナミクス、時間的変化による治療、および保存されていない共同設立者を扱う必要がある。 既存の因果基盤モデル(CausalPFN,CausalFM)は静的断面積データのみで動作し、ニューラル・テンポラル・テンポラル・メソッド(CRN, G-Net)はデータセットごとのトレーニングを必要とし、同時時相PFNの提案は産業規模では実証されていない。 CATE推定と並行して、ペアごとの信頼性信号は出力されない。 学習された信頼性信号を用いたゼロショット時間因果探索の基礎モデルであるTCPFN(Temporal Causal Prior-Data Fitted Networks)を導入する。 TCPFNは,(1)ヌルエフェクトの確率を共同で予測する因果判断ヘッド,(2)ヌルエフェクトの強度,識別率,仲介率,因果レシスタンス,(2)6つの因果レシスタンス(独立性,直結性,媒介性,時間変化の共生,フィードバック)を包含する混合トレーニング,(3)水平間漏洩を防止するクロスアテンションマスキングを備えた個別のパネルデータアーキテクチャ,(4)FAISSベースのコンテキスト選択と1ステップの後方修正による産業規模のゼロショット推論,の4つのコントリビューションに寄与する。 5つの領域にわたる19のベンチマークデータセットで、TCPFNは、テネシー州イーストマンのAUROC 0.96、SWaTの0.93、カウサルリバースの0.98、CAUSRCAの0.97という、競合するゼロショット因果発見を達成した。 ヌルF1 0.94、AUROC 0.99に達する。 TCPFNは1つのGPU上で6時間でプロプライエタリなKraftパルプとペーパーのデータセットでV=1,275までスケールし、CPUのみのライブラリであるPCMCIは、同じデータのV=666サブパネルで81.5時間、O(V^2)で外挿し、V=1,275で約12.5日かかった。 TCPFNのトップエッジは、サブシステム間の因果関係を識別する一方、PCMCIの表面のインストルメントコントローラ-測定結合は、スケーラビリティのケーススタディである。

関連論文リスト

• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• FASE : A Fairness-Aware Spatiotemporal Event Graph Framework for Predictive Policing [0.0]
  予測犯罪リスクのみに基づいてパトロール資源を割り当てる予測的警察システムは、フィードバック駆動データを通じて意図せずに人種格差を増幅することができる。 本稿では,犯罪予測と公正な制約付きパトロールアロケーションと閉ループ展開フィードバックシミュレータを組み合わせた,時間的イベントグラフフレームワークFASEを提案する。 割り当てレベルの公平性だけでは、データの再トレーニングにおけるフィードバック誘起バイアスを排除せず、完全なパイプライン全体にわたる公平な介入の必要性を強調します。
  論文  参考訳（メタデータ） (2026-04-19T21:22:45Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。