論文の概要: Order-based Causal Discovery for Multistage Processes

• arxiv url: http://arxiv.org/abs/2607.03971v1
• Date: Sat, 04 Jul 2026 18:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.780652
• Title: Order-based Causal Discovery for Multistage Processes
• Title（参考訳）: 秩序に基づく多段階プロセスの因果探索
• Abstract要約: 命令に基づく多段階プロセスのための因果探索法(OCDM)を提案する。 OCDMは、その固有の階層構造とシーケンシャル構造を保持しつつ、多段階データの因果構造を推測するように設計されている。 OCDMは多段階プロセスの因果構造を効果的に推論し,既存の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 9.405458160620533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causality has become an increasingly important tool for gaining a deeper understanding of complex systems. Among various causal analysis methods, causal discovery, which identifies causal relationships among variables from data, has been widely used to uncover underlying causality in diverse processes. However, while multistage processes are prevalent in many fields, existing causal discovery methods may produce counterintuitive results, given the known process knowledge, and may not be computationally efficient for handling large datasets typical of multistage processes. To address this gap, we propose a novel causal discovery method called Order-based Causal Discovery for Multistage Processes (OCDM). OCDM is designed to infer the causal structure of multistage data while preserving their inherent hierarchical and sequential structure by explicitly incorporating process knowledge into the causal discovery process. Specifically, we propose a structural knowledge-informed order-inferring algorithm that infers the causal order of variables by incorporating information about the stage from which each variable originates, based on an order-based causal discovery framework naturally suited for inherently ordered multistage data. Furthermore, to eliminate spurious edges from the initial causal graph generated based on the inferred causal order, we introduce a novel pruning technique using stochastic gated neural networks, which offers greater computational efficiency compared to existing methods. Through experiments on various datasets, we demonstrate that OCDM effectively infers the causal structure of multistage processes, outperforming existing methods.
• Abstract（参考訳）: 因果関係は、複雑なシステムのより深い理解を得るための、ますます重要なツールになっている。 様々な因果解析手法の中で、データから変数間の因果関係を識別する因果発見は、様々なプロセスの因果関係を明らかにするために広く用いられている。 しかし、多くの分野において多段階プロセスが普及しているが、既存の因果探索法は既知のプロセス知識から反直感的な結果をもたらす可能性があり、多段階プロセスに典型的な大規模データセットを扱うのに計算効率が良くない可能性がある。 このギャップに対処するために,命令に基づく多段階プロセスのための因果発見(OCDM)と呼ばれる新しい因果発見手法を提案する。 OCDMは、プロセス知識を因果発見プロセスに明示的に組み込むことにより、多段階データの因果構造を推論し、その固有な階層構造とシーケンシャル構造を保存するように設計されている。 具体的には、自然に順序づけられた多段階データに適した順序に基づく因果探索フレームワークに基づいて、各変数が発する段階に関する情報を組み込むことで、変数の因果順序を推測する構造的知識インフォームド順序推論アルゴリズムを提案する。 さらに,推定因果順に基づいて生成した初期因果グラフから急激なエッジを除去するために,従来の手法に比べて計算効率がよい確率的ゲート型ニューラルネットワークを用いた新しいプルーニング手法を提案する。 様々なデータセットの実験を通して、OCDMは多段階プロセスの因果構造を効果的に推論し、既存の手法より優れていることを示す。

関連論文リスト

• CausalSteward: An Agentic Divide-Conquer-Combine Copilot for Causal Discovery [30.76801786098245]
  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。
  論文  参考訳（メタデータ） (2026-07-02T09:29:10Z)
• 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)
• Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks [23.669083610595838]
  連続時間事象列は時間間隔が縮むにつれて離散時間因果モデルで表現できることを示す。 本稿では,検出したサブプロセス間の因果関係の推論と,新しい潜在サブプロセスの発見を交互に行う2相反復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-08-15T09:03:39Z)
• Regularized Multi-LLMs Collaboration for Enhanced Score-based Causal Discovery [13.654021365091305]
  我々は,大言語モデル(LLM)を用いて因果発見アプローチを強化する可能性を探る。 本稿では,1つのLLMだけでなく複数のLLMのキャパシティを活用して発見プロセスを増強する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T01:56:21Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
  既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。 具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。 これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
  論文  参考訳（メタデータ） (2024-03-06T15:06:11Z)
• 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)
• A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
  因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。 本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
  論文  参考訳（メタデータ） (2023-03-27T09:21:41Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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。