論文の概要: Orca: Neural Operators for Causal Reasoning in Continuous Time

• arxiv url: http://arxiv.org/abs/2607.27867v1
• Date: Thu, 30 Jul 2026 08:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.466508
• Title: Orca: Neural Operators for Causal Reasoning in Continuous Time
• Title（参考訳）: Orca: 因果推論を継続的に行う神経オペレータ
• Abstract要約: 構造因果モデル(Structure causal model)は、介入や反事実を推論するための標準言語である。 この環境では、ニューラル演算子学習が因果推論の自然な基盤となると論じる。 因果グラフの各ノードを時間関数とし,各メカニズムを関数空間間の学習マップとするフレームワークであるOrcaを提案する。
• 参考スコア（独自算出の注目度）: 1.217101970649405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural causal models are the standard language for reasoning about interventions and counterfactuals, but they describe static variables, typically measured once, and usually forbid cyclic dependencies. Many systems we care about, such as patients, climates, and economies, instead evolve continuously in time, are observed at irregular time points, and contain feedback loops. We argue that neural operator learning provides a natural foundation for causal reasoning in this setting, and propose Orca, a framework in which each node of the causal graph is a function of time and each mechanism is a learned map between function spaces. We extend existing neural operator architectures to express causal mechanisms: a mechanism computes the function value of a node from its parent nodes by taking several parent functions as input, respects the arrow of time, and treats latent exogenous noise as a function that can be inferred and reused for counterfactuals. We formalize the model class and demonstrate counterfactual reasoning on synthetic continuous-time examples. Code is available at https://github.com/gerritgr/orca
• Abstract（参考訳）: 構造因果モデル(Structuor causal model)は、介入や反事実を推論するための標準言語であるが、静的変数(典型的には1回測定され、典型的には循環依存を禁止している)を記述している。 患者、気候、経済など、私たちが関心を持っている多くのシステムは、時間とともに継続的に進化し、不規則な時間帯で観察され、フィードバックループを含んでいる。 そこで我々は,ニューラル演算子学習が因果推論の自然な基礎となることを論じ,因果グラフの各ノードを時間関数とし,各機構を関数空間間の学習マップとするフレームワークOrcaを提案する。 いくつかの親関数を入力として取り、時間の矢印を尊重し、潜在外因性ノイズを推定・再利用可能な関数として扱うことで、親ノードからノードの関数値を計算するメカニズムである。 モデルクラスを形式化し、合成連続時間例に反実的推論を示す。 コードはhttps://github.com/gerritgr/orcaで入手できる。

関連論文リスト

• Beyond Directed Acyclic Graphs: Causal Zeros and Causal Differential Equations [0.02648566468224904]
  パールの構造因果モデル(英語版)は因果推論における支配的な形式言語である。 本稿では,これらの制約を緩和する現象の2つのクラスについて検討する。 拡張されたdo-計算、識別可能性条件、対実的意味論、オープンな問題を与えます。
  論文  参考訳（メタデータ） (2026-07-24T20:54:42Z)
• Function-Valued Causal Influence in Nonlinear Time Series [0.0]
  時系列における因果発見は非線形機械学習モデルを用いてますます行われているが、結果として生じる因果関係はほとんど常にスカラーエッジスコアによって要約される。 このプラクティスは、非線型自己回帰モデル(状態依存関数)によって学習された真の対象を曖昧にしている、と我々は主張する。 我々は,加法的,寄与分解可能なアーキテクチャに対する関数値因果関係を定式化し,スカラー因果関係のスコアが深刻な情報のボトルネックとなることを示す。
  論文  参考訳（メタデータ） (2026-05-26T00:34:49Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Temporal Causal Reasoning with (Non-Recursive) Structural Equation Models [9.112107794815671]
  本研究では, 構造方程式モデル (SEM) の新しい解釈法を提案する。 これにより、カウンターファクトの因果推論と既存の時間論理形式を組み合わせられる。 提案手法では,いわゆるテキスト再帰モデルに対する標準的制約は不要であることを示す。
  論文  参考訳（メタデータ） (2025-01-17T13:37:58Z)
• Gumbel Counterfactual Generation From Language Models [64.55296662926919]
  対実的推論が介入と概念的に異なることを示す。 そこで本研究では,真の文字列反事実を生成するためのフレームワークを提案する。 提案手法は,従来の介入手法が望ましくない副作用を有意に生み出しているのに対し,本手法は有意義な反事実を生じさせることを示す。
  論文  参考訳（メタデータ） (2024-11-11T17:57:30Z)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• Partial Counterfactual Identification of Continuous Outcomes with a Curvature Sensitivity Model [30.77874108094485]
  曲率感性モデルと呼ばれる新しい感度モデルを提案する。 これにより、関数のレベル集合の曲率を有界にすることで、情報的境界を得ることができる。 そこで我々は,新しい深部生成モデルとして,曲率感性モデルの実装を提案する。
  論文  参考訳（メタデータ） (2023-06-02T10:30:37Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• Modeling Implicit Bias with Fuzzy Cognitive Maps [0.0]
  本稿では、構造化データセットにおける暗黙バイアスを定量化するファジィ認知マップモデルを提案する。 本稿では,ニューロンの飽和を防止する正規化様伝達関数を備えた新しい推論機構を提案する。
  論文  参考訳（メタデータ） (2021-12-23T17:04:12Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)

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。