論文の概要: DKCD: Domain Knowledge-Enhanced Causal Discovery from Unstructured Data

• arxiv url: http://arxiv.org/abs/2607.09348v1
• Date: Fri, 10 Jul 2026 12:28:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.838915
• Title: DKCD: Domain Knowledge-Enhanced Causal Discovery from Unstructured Data
• Title（参考訳）: DKCD:非構造化データからのドメイン知識強化因果発見
• Abstract要約: 構造化されていないデータからの因果関係の発見は、高度な専門分野において難しいが未探索の課題である。 専門分野における非構造化データから因果発見を行うための新しいドメイン知識強化因果発見フレームワーク(DKCD)を提案する。 2つの領域固有のデータセットの実験により、DKCDは因果因子の同定と因果グラフ構築の両方を著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 17.198164845052318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery from unstructured data is a challenging yet underexplored task in high-expertise domains such as healthcare, finance, and education. Existing methods typically leverage the general knowledge of large language models (LLMs) to identify causal factors from unstructured data and annotate them into structured data for causal graph construction. However, they remain limited by two key challenges (CHs): (CH1) insufficient identification of latent factors, which are implicit in the data yet essential for causal discovery, due to the lack of domain-specific knowledge; and (CH2) unreliable factor annotation, caused by the lack of domain-grounded reasoning, which propagates errors to the resulting causal graphs. To address these challenges, we introduce a novel Domain Knowledge-enhanced Causal Discovery framework (DKCD) for causal discovery from unstructured data in high-expertise domains with three interconnected components: (1) Knowledge Mining: It retrieves relevant domain knowledge based on observable factors to support subsequent causal reasoning. (2) Knowledge-guided Causal Reasoning: Reasoning with relevant knowledge, it discovers latent causal factors to address CH1 and generates key causal clues for more accurate data annotation to address CH2. (3) Causal Structure Discovery: It constructs the final causal graphs based on a more complete factor set and accurate annotations. Experiments on two domain-specific datasets show that DKCD significantly improves both causal factor identification and causal graph construction.
• Abstract（参考訳）: 構造化されていないデータからの因果関係の発見は、医療、金融、教育といった高度な専門分野において、難しいが未発見の課題である。 既存の手法は通常、大規模言語モデル(LLM)の一般的な知識を活用して、非構造化データから因果因子を識別し、因果グラフ構築のための構造データに注釈付けする。 しかし、これらは2つの主要な課題 (CHs) に制限されている: (CH1) ドメイン固有の知識の欠如により因果発見に必須であるデータに暗黙的な潜伏因子の同定が不十分である; (CH2) ドメイン基底推論の欠如によって引き起こされる信頼できない因子アノテーションは、結果として因果グラフにエラーを伝達する。 これらの課題に対処するために,(1)知識マイニング: 観測可能な要因に基づいて関連分野の知識を抽出し,その後の因果推論を支援する,新しいドメイン知識強化因果探索フレームワーク(DKCD)を導入する。 2) 知識誘導因果推論: 関連知識に対応して,CH1に対処するための潜伏因果因子を発見し,CH2に対処するためのより正確なデータアノテーションのための重要な因果手がかりを生成する。 (3)因果構造発見:より完全な因子セットと正確なアノテーションに基づいて最終因果グラフを構築する。 2つの領域固有のデータセットの実験により、DKCDは因果因子の同定と因果グラフ構築の両方を著しく改善することが示された。

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)
• 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)
• Cluster-Dags as Powerful Background Knowledge For Causal Discovery [7.998429690845518]
  因果発見は、因果関係を簡潔に記述したデータからグラフを復元することを目的としている。 我々は、因果発見を温めるための事前知識フレームワークとして、Cluster-DAGを利用する。
  論文  参考訳（メタデータ） (2025-12-10T19:39:22Z)
• 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)
• RADICE: Causal Graph Based Root Cause Analysis for System Performance Diagnostic [3.708415881042821]
  ルート原因分析は、システムの性能診断に関して、ソフトウェア信頼性において最も重要な操作の1つである。 本稿では,システムコンポーネントの因果関係を表す新しい因果ドメイン知識モデルを提案する。 次に、因果グラフ発見、強化、洗練、減算処理を通じて根本原因因果部分グラフを出力するアルゴリズムRADICEを紹介する。
  論文  参考訳（メタデータ） (2025-01-20T15:36:39Z)
• 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)
• Causal Discovery under Latent Class Confounding [2.1749194587826026]
  グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを示す。 グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを実証する。
  論文  参考訳（メタデータ） (2023-11-13T16:35:34Z)
• SSL Framework for Causal Inconsistency between Structures and Representations [31.895570222735955]
  因果発見と深層学習の相互補間は、ますます広範囲にわたる相互作用を引き起こしている。 不確定データは、因果構造によって表現される因果関係と、深層学習モデルによって生成される因果表現との間に矛盾がある。 因果不整合を軽減するために,介入に基づく自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T08:29:49Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
  因果推論は変数間の因果関係を捉えるプロセスである。 本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
  論文  参考訳（メタデータ） (2021-04-19T16:13:10Z)

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。