Fugu-MT 論文翻訳(概要): Causal Discovery with Inverted Self-attention for Multivariate Time Series

論文の概要: Causal Discovery with Inverted Self-attention for Multivariate Time Series

arxiv url: http://arxiv.org/abs/2607.28212v1
Date: Thu, 30 Jul 2026 13:49:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.580489
Title: Causal Discovery with Inverted Self-attention for Multivariate Time Series
Title（参考訳）: 多変量時系列に対する逆自己注意による因果発見
Abstract要約: 本稿では,トランスアーキテクチャ内の自己認識機構を利用して因果発見を行う新しいフレームワークを提案する。本手法は,トークンを反転させ,注意点の疎結合を誘導することにより,潜伏因果関係と間接因果関係を強調する。また、グローバル因果関係を同定するグローバル因果関係アルゴリズムを開発し、因果関係の総合的指標を提供する。
参考スコア（独自算出の注目度）: 21.018583540683917
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal discovery in multivariate time series data is challenging due to complex interactions, high dimensionality, and nonlinear dependencies among variables. Existing methods often struggle to capture these complexities, resulting in inaccurate causal structures. To address this issue, we propose a novel framework that leverages self-attention mechanisms within the transformer architecture for causal discovery. Our approach introduces a novel inverted causal self-attention mechanism (CSAM) that emphasizes latent and indirect causal relationships by inverting tokens and inducing sparsity in attention scores, focusing on significant causal interactions and reducing spurious correlations. Additionally, we develop a global causal algorithm to identify global causal links, providing a holistic metric for causal influence, along with a causal verification module to ensure robustness in the identified causal relationships, enhancing the reliability of our framework. Experiments on both linear and nonlinear datasets, along with ablation studies and sensitivity analyses, show that our framework outperforms existing methods, demonstrating its potential for causal discovery in complex multivariate time series.
Abstract（参考訳）: 多変量時系列データにおける因果発見は、複雑な相互作用、高次元性、変数間の非線形依存関係のために困難である。既存の方法はしばしばこれらの複雑さを捉えるのに苦労し、不正確な因果構造をもたらす。この問題に対処するために,トランスフォーマアーキテクチャ内の自己認識機構を利用して因果発見を行う新しいフレームワークを提案する。提案手法では,トークンを反転させ,注意点の疎結合を誘導し,重要な因果相互作用に着目し,素因果関係を減少させることにより,潜在因果関係と間接因果関係を強調する新しい因果自己注意機構(CSAM)を提案する。さらに、グローバル因果関係を同定するグローバル因果関係アルゴリズムを開発し、因果関係の堅牢性を確保するための因果関係検証モジュールとともに、因果関係の総合的指標を提供し、枠組みの信頼性を高める。線形および非線形両方のデータセットの実験とアブレーション研究と感度解析により、我々のフレームワークは既存の手法よりも優れており、複雑な多変量時系列における因果発見の可能性を示している。

関連論文リスト

CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency [9.032903163326027]
本稿では,Granger因果関係の連続的検証として異常検出を再構成する新しいフレームワークを提案する。提案するフレームワークは,システムダイナミクスの内部化にマルチスケールアライメントを利用する。実世界の産業データセットの実験では、CAADが高精度な異常検出を実現することが示されている。
論文参考訳（メタデータ） (2026-07-09T14:46:10Z)
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)
Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining [17.01926647313838]
時系列からの因果発見は、異常の根本原因をトレースするなど、多くの現実世界の応用において重要である。 textbfTime-series textbfCausal textbfDiscovery のための新しい textbfPretraining フレームワーク textbfPTCD を提案する。
論文参考訳（メタデータ） (2026-05-26T09:30:42Z)
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)
Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2023-11-02T17:26:49Z)
Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文参考訳（メタデータ） (2023-10-24T07:46:10Z)
Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文参考訳（メタデータ） (2023-08-15T01:23:42Z)
Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
論文参考訳（メタデータ） (2023-07-15T23:53:37Z)
Causal discovery for time series with constraint-based model and PMIME measure [0.0]
本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
論文参考訳（メタデータ） (2023-05-31T09:38:50Z)
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)
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。