論文の概要: teLLMe Why (Ain't Nothing but a Jam): Exploratory Causal Analysis of Urban Driving Data

• arxiv url: http://arxiv.org/abs/2607.15254v1
• Date: Thu, 16 Jul 2026 17:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.200987
• Title: teLLMe Why (Ain't Nothing but a Jam): Exploratory Causal Analysis of Urban Driving Data
• Title（参考訳）: teLLMe Why (Ain't nothing but a Jam): 都市運転データの探索的因果分析
• Abstract要約: teLLMeは都市運転データセットの探索因果解析システムである。 因果構造学習をPCアルゴリズム、ブートストラップに基づく安定性チェック、クエリ固有の効果推定と組み合わせる。 天気、ピーク時間、交通密度に関する妥当な関係を表面化し、不確実性やモデリングの選択を明確にする。
• 参考スコア（独自算出の注目度）: 4.752320786395666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic agencies now have access to large volumes of video-derived data for studying safety and congestion. Most of these data are observational and collected without interventions, which makes causal questions such as "How would rain change traffic density?" difficult to answer. We present teLLMe, a system for exploratory causal analysis of urban driving datasets. The system starts from a structured event table built from dashcam annotations and combines causal structure learning with the PC algorithm, bootstrap-based stability checks, and query-specific effect estimation using linear regression and DoWhy. Natural-language questions are mapped to structured causal queries through a schema-aware LLM, enabling users to specify treatments, outcomes, and subpopulations. teLLMe returns a "Causal Card" that summarizes effect estimates, adjustment sets, DAG support, and assumptions, followed by a short natural-language explanation. Case studies on BDD-derived traffic events show that the system can surface plausible relationships involving weather, peak hours, and traffic density, while making uncertainty and modeling choices explicit. The system is designed as a tool for hypothesis generation and expert reasoning rather than a source of definitive causal claims.
• Abstract（参考訳）: 交通機関は、安全と渋滞を研究するために大量のビデオデータにアクセスできるようになった。 これらのデータの多くは観察的であり、介入なしに収集されているため、「雨は交通密度をどう変えるのか?」といった因果的な疑問に答えるのは難しい。 都市運転データセットの探索因果解析システムであるteLLMeについて述べる。 システムはダッシュカムアノテーションから構築された構造化イベントテーブルから始まり、因果構造学習とPCアルゴリズム、ブートストラップに基づく安定性チェック、線形回帰とDoWhyを用いたクエリ固有の効果推定を組み合わせた。 自然言語の質問は、スキーマ対応のLLMを通じて構造化因果クエリにマッピングされ、ユーザーは治療、結果、サブポピュレーションを指定できる。 teLLMeは効果推定、調整セット、DAGサポート、仮定をまとめた"Causal Card"を返す。 BDDに基づく交通イベントのケーススタディでは、不確実性やモデリングの選択を明確にしながら、天候、ピーク時間、交通密度に関する妥当な関係を明らかにすることができる。 このシステムは、決定的な因果的主張の源ではなく、仮説の生成と専門家の推論のためのツールとして設計されている。

関連論文リスト

• 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)
• Fusing Cellular Network Data and Tollbooth Counts for Urban Traffic Flow Estimation [0.0]
  都市交通インフラの介入計画に不可欠な交通シミュレーションには、オリジン・デスティネーション(OD)データが必要である。 Sparse tollboothセンサーは、カテゴリーごとの正確な車両数を提供し、セルラーネットワークからの広範なモビリティデータは、集約された群衆の動きをキャプチャする。 本研究では,スパース・トールボース数を用いてセルラーネットワークデータを正解する機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-04-17T07:40:10Z)
• CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention [24.03101162891974]
  計画指向のエンドツーエンド駆動モデルは、真の因果関係ではなく統計的相関を学習する。 この脆弱性は因果的混乱を引き起こし、モデルがショートカットとしてデータセットバイアスを利用する。 CausalVADは因果的介入を生かした非融合トレーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-03-19T07:21:01Z)
• STRATA-TS: Selective Knowledge Transfer for Urban Time Series Forecasting with Retrieval-Guided Reasoning [27.775793400546345]
  STRATA-TSは、ドメイン適応検索と推論可能な大規模モデルを組み合わせることで、不足するデータレシエーションの予測を改善するフレームワークである。 効率的な配置を実現するため, 教師付き微調整により, 推論過程をコンパクトなオープンモデルに蒸留する。 シンガポール、ノッティンガム、グラスゴーの3つのパーキングアベイラビリティーデータセットの実験では、STRATA-TSは強い予測と転送ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-26T03:18:53Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Large Language Models for Constrained-Based Causal Discovery [4.858756226945995]
  因果関係は経済、脳、気候といった複雑なシステムを理解するのに不可欠である。 この研究は、因果グラフ生成のためのドメインエキスパートの代替として、LLM(Large Language Models)の能力を探求する。
  論文  参考訳（メタデータ） (2024-06-11T15:45:24Z)
• 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)
• Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
  自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。 近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。 時空間構造因果モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-19T01:39:21Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。