論文の概要: CDFM: Towards a General-Purpose Causal Discovery Foundation Model

• arxiv url: http://arxiv.org/abs/2607.11508v1
• Date: Mon, 13 Jul 2026 12:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.475339
• Title: CDFM: Towards a General-Purpose Causal Discovery Foundation Model
• Title（参考訳）: CDFM:汎用因果発見基盤モデルを目指して
• Authors: Jie Qiao, Ruichu Cai, Zijian Li, Weilin Chen, Pengfei Hua, Boyan Xu, Zhengming Chen, Zhifeng Hao, Peng Cui,
• Abstract要約: 因果発見は、観測データから根底にある因果構造を復元する過程である。 ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
• 参考スコア（独自算出の注目度）: 62.32138962508216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery, the process of recovering underlying causal structures from observational data, is a fundamental pursuit across scientific disciplines. Over the past decades, numerous algorithms have been developed to tackle this challenge through workflows tailored to the specific causal mechanisms underlying each type of dataset, demonstrating effectiveness across a wide range of applications. However, as the volume and heterogeneity of real-world data continue to grow, this dataset-specific approach inevitably leads to a fragmented, test-driven paradigm that struggles to scale to the demands of modern scientific discovery. To address this, we formulate the Causal Discovery Foundation Model (CDFM) as a unified, general-purpose framework for zero-shot structural inference. To ensure reliable generalization across unknown domains, we first investigate the theoretical boundaries of causal identifiability, revealing the indispensable role of causal prior mechanisms in this process. Building on these insights, we formulate a principled variational framework that treats unknown causal mechanisms as latent variables and mathematically decomposes the intractable marginal likelihood into distinct, tractable learning modules. The variational decomposition provides a conceptual design principle for the architecture design of CDFM, while comprehensive causal knowledge guides the large-scale synthesis of our pretraining data. By pretraining on a massive, highly diverse space of synthetic structural causal models, CDFM successfully internalizes complex statistical asymmetries. Extensive experiments demonstrate that CDFM consistently outperforms traditional algorithms, driving a paradigm shift toward a general-purpose causal discovery foundation model.
• Abstract（参考訳）: 因果発見 (Causal discovery) は、観測データから根底にある因果構造を復元する過程である。 過去数十年にわたって、この課題に対処するために、さまざまなアルゴリズムが開発されてきた。 しかし、実世界のデータの量と不均一性が拡大し続ければ、このデータセット固有のアプローチは必然的に、現代の科学的発見の要求に合わせるのに苦労する、断片化されたテスト駆動のパラダイムに繋がる。 これを解決するために、ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 未知領域間の信頼性の高い一般化を実現するため、まず因果識別可能性の理論的境界を考察し、この過程における因果認識機構の重要でない役割を明らかにする。 これらの知見に基づいて、未知の因果機構を潜在変数として扱い、数学的には難解な辺縁確率を別個の抽出可能な学習モジュールに分解する、原理的な変分フレームワークを定式化する。 変動分解はCDFMのアーキテクチャ設計における概念設計の原則であり,包括的因果知識は事前学習データの大規模合成を導く。 非常に多様な合成構造因果モデルの巨大な空間で事前訓練を行うことで、CDFMは複雑な統計的非対称性を内部化することに成功している。 大規模な実験により、CDFMは従来のアルゴリズムよりも一貫して優れており、汎用因果発見基盤モデルへのパラダイムシフトを推進している。

関連論文リスト

• DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms [48.57846236686172]
  因果発見を記憶する新しい基礎モデルアーキテクチャである textbfDAG-FM を提案する。 直接行列予測とは異なり、DAG-FMは因果発見プロセスを2つの自己回帰段階に分解する。 我々は,DAG-FMが,合成ベンチマークと複雑な実世界のデータセットの両方で最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-07-13T13:00:06Z)
• DCD-PFN: A Decoupling-Aware Foundation Model for Causal Discovery [43.33126904440643]
  因果発見は複雑なデータ生成機構を理解するために重要である。 近年,PFN(Presideed-Data Fitted Networks)に基づく基礎モデルでは,ゼロショット推論能力が著しく向上している。 因果発見のためのデカップリング対応基盤モデルであるDCD-PFNを提案する。
  論文  参考訳（メタデータ） (2026-06-19T08:30:38Z)
• 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)
• TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
  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。
  論文  参考訳（メタデータ） (2026-05-29T11:05:43Z)
• The Causal Round Trip: Generating Authentic Counterfactuals by Eliminating Information Loss [4.166536642958902]
  構造再構成誤差(SRE)を除去して因果音を発生させる最初の拡散型フレームワークであるBELM-MDCMを紹介する。 我々の研究は、古典的因果論の厳密さと近代的な生成モデルのパワーを調和させる。
  論文  参考訳（メタデータ） (2025-11-07T13:37:23Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• A Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
  本稿では,構造因果モデル(Structure Causal Models, SCM)を因果順序付き変数の固定点問題として記述する新しい形式論を提案する。 トポロジカル順序付け(TO)を考えると,その特異な回復のために最も弱い既知の条件を確立する。
  論文  参考訳（メタデータ） (2024-04-10T12:29:05Z)

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。