論文の概要: CausalSteward: An Agentic Divide-Conquer-Combine Copilot for Causal Discovery

• arxiv url: http://arxiv.org/abs/2607.01936v1
• Date: Thu, 02 Jul 2026 09:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.76163
• Title: CausalSteward: An Agentic Divide-Conquer-Combine Copilot for Causal Discovery
• Title（参考訳）: CausalSteward: 因果発見のためのエージェントディバイドコンバータコンバインコパイロット
• Abstract要約: CausalSTeward (CAST) は,大規模因果モデルを対話的に組み立てる新しいヒューマン・イン・ザ・ループ・フレームワークである。 CaulSteward は多エージェントの協調システムであり、分割対コンカレントアプローチによって高次元因果性に取り組む。
• 参考スコア（独自算出の注目度）: 30.76801786098245
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning causal models from high-dimensional data is a significant challenge, particularly in real-world settings where violations of core assumptions lead to causal identifiability issues. Although massive amounts of prior knowledge are available, and contain valuable causal information, effectively integrating this knowledge into the causal discovery process remains an open problem. We introduce CausalSTeward (CAST), a novel human-in-the-loop framework for interactively assembling large causal models. CausalSteward is a multi-agent collaborative system that tackles high-dimensional causality through a divide-and-conquer approach where large clusters of variables are iteratively partitioned and then separately analyzed. Our framework fuses prior knowledge with a data-driven approach by using tailored tools such as retrieval augmented generation and conditional independence tests. Finally, we use this work to examine the capabilities and limitations of causal reasoning in multi-agent frameworks, and how the human-in-the-loop can contribute to accurate and trustworthy results.
• Abstract（参考訳）: 高次元データから因果モデルを学ぶことは、特にコア仮定の違反が因果識別可能性の問題を引き起こす現実の環境では、重要な課題である。 大量の事前知識が利用可能であり、貴重な因果情報を含んでいるが、この知識を因果発見プロセスに効果的に統合することは未解決の問題である。 CausalSTeward (CAST) は,大規模因果モデルを対話的に組み立てる新しいヒューマン・イン・ザ・ループ・フレームワークである。 CausalStewardは、変数の大規模なクラスタを反復的に分割し、別々に解析する分割・対数アプローチを通じて、高次元因果関係に対処するマルチエージェント協調システムである。 本フレームワークは,データ駆動型手法で事前知識を融合させ,検索の強化や条件付き独立性テストなどのツールを駆使した。 最後に、マルチエージェントフレームワークにおける因果推論の能力と限界、そして、ループ内の人間がどのように正確で信頼性の高い結果に寄与するかを検討する。

関連論文リスト

• Causal Discovery with Inverted Self-attention for Multivariate Time Series [21.018583540683917]
  本稿では,トランスアーキテクチャ内の自己認識機構を利用して因果発見を行う新しいフレームワークを提案する。 本手法は,トークンを反転させ,注意点の疎結合を誘導することにより,潜伏因果関係と間接因果関係を強調する。 また、グローバル因果関係を同定するグローバル因果関係アルゴリズムを開発し、因果関係の総合的指標を提供する。
  論文  参考訳（メタデータ） (2026-07-30T13:49:46Z)
• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Use What You Know: Causal Foundation Models with Partial Graphs [97.91863420927866]
  最近提案されたCausal Foundation Models (CFMs) は、因果発見と推論を単一ステップで補正することで、より統一的なアプローチを約束している。 我々は、因果グラフやより容易に利用可能な祖先情報などの因果情報に基づいてCFMを条件付ける手法を導入することにより、このギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-16T17:56:37Z)
• Relational Causal Discovery with Latent Confounders [11.833422037033001]
  本稿では,RelFCIを提案する。RelFCIは,潜在共同設立者との相関データに対する完全な因果探索アルゴリズムである。 本稿では,RelFCIが潜在共同設立者との因果関係モデルにおける正しい因果関係の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2025-07-02T13:29:35Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• Exploring Multi-Modal Data with Tool-Augmented LLM Agents for Precise Causal Discovery [45.777770849667775]
  ツール拡張 LLM を利用したマルチエージェントシステムである MATMCD を紹介する。 以上の結果から,マルチモーダル化による因果発見の可能性が示唆された。
  論文  参考訳（メタデータ） (2024-12-18T09:50:00Z)
• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity [4.637772575470497]
  本稿では,KEELというファジィ知識とデータ協調型因果発見手法を提案する。 KEELはファジィ因果知識スキーマを採用し、様々な種類のファジィ知識をカプセル化し、制約の弱さに対応する。 因果発見の一般化と堅牢性、特に高次元および小サンプルシナリオにおいて強化することができる。
  論文  参考訳（メタデータ） (2024-05-14T15:39:22Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• 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)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。