論文の概要: AutoCause: A Python framework that automates expert decisions in environmental time-series causal discovery

• arxiv url: http://arxiv.org/abs/2608.00198v1
• Date: Fri, 31 Jul 2026 18:24:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.548627
• Title: AutoCause: A Python framework that automates expert decisions in environmental time-series causal discovery
• Title（参考訳）: AutoCause: 環境時系列因果発見における専門家による意思決定を自動化するPythonフレームワーク
• Abstract要約: AutoCauseは因果発見分析のためのオープンソースのPythonワークフローである。 3つのファミリーから確立された因果発見メソッドをラップし、非因果参照モデルを追加し、メソッドカウントのサポートによるグレードリンクを追加する。 一貫性のない専門家の実践を、監査可能な繰り返し可能な分析に変換する。
• 参考スコア（独自算出の注目度）: 1.7192141121569653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Environmental time-series causal discovery requires expert decisions about method choice, conditional-independence tests, lag horizons, sample-size adequacy, multiple-testing control, and evidence interpretation. Applied inconsistently across datasets, these choices yield graphs that cannot be compared, reproduced, or audited. We present AutoCause, an open-source Python workflow that records each decision, derives defaults from an extended causal-audit module, and admits domain-informed overrides. The workflow wraps four established causal-discovery methods from three families, adds non-causal reference models, and grades links by method-count support. On 145 datasets from DGP-Atlas, TimeGraph, and a topology-derived CausalRivers reference, the methods recover complementary parts of the reference graphs. Majority-supported links are more precise than single-method links on the synthetic benchmarks but not against river topology. AutoCause converts inconsistent expert practice into an auditable, repeatable analysis; causal interpretation remains with the analyst. Available at https://github.com/marcoruizrueda/autocause.
• Abstract（参考訳）: 環境時系列因果発見には、方法の選択、条件付き独立性テスト、ラグ地平線、サンプルサイズの妥当性、多重テスト制御、エビデンス解釈に関する専門家による決定が必要である。 データセット間で矛盾なく適用されたこれらの選択は、比較、再生、監査できないグラフを生成する。 オープンソースのPythonワークフローであるAutoCauseを紹介します。各決定を記録し、拡張された因果監査モジュールからデフォルトを導出し、ドメインインフォームのオーバーライドを認めます。 このワークフローは、3つのファミリーから確立された因果発見メソッドをラップし、非因果参照モデルを追加し、メソッド数のサポートによるグレードリンクを追加する。 DGP-Atlas、TimeGraph、およびトポロジから派生したCausalRivers参照の145のデータセットでは、参照グラフの補完的な部分を復元する。 主要性に支えられたリンクは、合成ベンチマークのシングルメタルリンクよりも正確であるが、川のトポロジーには反しない。 AutoCauseは、一貫性のない専門家のプラクティスを監査可能な繰り返し可能な分析に変換する。 https://github.com/marcoruizrueda/auto because.comで入手できる。

関連論文リスト

• Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
  外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。 我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。 オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T03:07:03Z)
• PluginEval: A Diagnostic Benchmark for Fine-Grained Error Attribution in Function Calling [11.1017602726296]
  大規模言語モデルは、ますます自律的なエージェントとして機能している。 現在のベンチマークには3つの制限がある。 Evalは、2段階のフレームワークで構築されたベンチマークである。
  論文  参考訳（メタデータ） (2026-08-09T13:25:54Z)
• Conflict-Aware Additive Guidance for Flow Models under Compositional Rewards [43.68602294223848]
  微調整を伴わない推論時間誘導サンプリングステアの状態-最先端拡散と流れモデル 本研究では, このオフマンフォールドドリフトの根本原因を同定し, 近似誤差が勾配のずれとともに著しく大きくなることを明らかにする。 本稿では,軽量かつ学習可能な手法であるConflict-Aware Additive Guidance(gtextcar$)を提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:56:55Z)
• OrgForge: A Multi-Agent Simulation Framework for Verifiable Synthetic Corporate Corpora [0.0]
  本稿では,厳密な物理認識境界を強制するオープンソースのマルチエージェントシミュレーションフレームワークOrgForgeを紹介する。 アクターローカルクロックは、すべてのアーティファクトタイプにわたって因果タイムスタンプの正しさを強制する。 N日間のシミュレーションを実行すると、OrgForgeはインターリーブされたSlackスレッド、チケット、Confluenceページ、Gitのプルリクエスト、Eメールを生成する。
  論文  参考訳（メタデータ） (2026-03-16T09:02:24Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• interwhen: A Generalizable Framework for Verifiable Reasoning with Test-time Monitors [47.363850513075356]
  実験時間検証フレームワークであるInterwhenを提案し, 与えられた検証結果に対して, 推論モデルの出力が有効であることを保証する。 検証された推論は、物理的な世界にエージェントを配置するといった高度なシナリオにおいて重要な目標である。
  論文  参考訳（メタデータ） (2026-02-05T08:35:01Z)
• 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)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• Salesforce CausalAI Library: A Fast and Scalable Framework for Causal Analysis of Time Series and Tabular Data [76.85310770921876]
  観測データを用いた因果解析のためのオープンソースライブラリであるSalesforce CausalAI Libraryを紹介した。 このライブラリの目標は、因果関係の領域における様々な問題に対して、迅速かつ柔軟なソリューションを提供することである。
  論文  参考訳（メタデータ） (2023-01-25T22:42:48Z)
• Does Recommend-Revise Produce Reliable Annotations? An Analysis on Missing Instances in DocRED [60.39125850987604]
  テキスト修正方式は, 偽陰性サンプルと, 人気エンティティや関係性に対する明らかな偏見をもたらすことを示す。 より信頼性の高いドキュメントREモデルのテストセットとして機能するように、relabeledデータセットがリリースされている。
  論文  参考訳（メタデータ） (2022-04-17T11:29:01Z)
• Robust Question Answering Through Sub-part Alignment [53.94003466761305]
  我々はアライメント問題として質問応答をモデル化する。 私たちは、SQuAD v1.1でモデルをトレーニングし、いくつかの逆および外ドメインデータセットでそれをテストします。
  論文  参考訳（メタデータ） (2020-04-30T09:10:57Z)

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。