論文の概要: Abstract Event Causal Rules: Induction and Application

• arxiv url: http://arxiv.org/abs/2608.05205v1
• Date: Wed, 05 Aug 2026 07:44:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.746116
• Title: Abstract Event Causal Rules: Induction and Application
• Title（参考訳）: 抽象イベント因果ルール:誘導と適用
• Abstract要約: イベント中心のインテリジェント分析システムは、早期警告、意思決定支援、物語理解のための明確な因果イベント知識に依存している。 既存のインスタンスレベルの因果ペアは、低周波のロングテールと目に見えないイベントの組み合わせに対して深刻な一般化障害を被る。 本研究は、新しい関係レベルの因果的抽象化パラダイムである抽象イベント因果規則(AECR)を提案する。
• 参考スコア（独自算出の注目度）: 8.43918054522887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event-centric intelligent analytical systems heavily depend on explicit causal event knowledge for risk early warning, decision-making support and narrative comprehension. Nevertheless, existing instance-level causal pairs suffer severe generalization deficits on low-frequency long-tail and unseen event combinations. To address this limitation, this work proposes Abstract Event Causal Rule (AECR), a novel relation-level causal abstraction paradigm that transforms concrete cause-effect pairs into generalized abstract causal logic while retaining their intrinsic causal relationships. We design a multi-agent Concrete-to-Abstract Causal Induction (CACI) system coupled with similarity-constrained clustering to distill trustworthy AECRs from noisy raw causal data, based on which two complete AECR knowledge bases are built. To validate the practical utility of abstract causal knowledge, we propose an Abstract Rule-Guided Causal Attention Encoder (AR-GCAE), which injects the retrieved AECRs into the causality Graph Event Prediction (CGEP) benchmark task via rule-guided attention layers and gated representation fusion. Quantitative experimental results reveal that applying AECRs substantially strengthens the generalization capacity of event causal reasoning and brings consistent performance improvements to event prediction, with the most prominent gains observed on rare and unseen event samples.
• Abstract（参考訳）: イベント中心のインテリジェント分析システムは、リスク早期警告、意思決定支援、物語理解のための明確な因果イベント知識に大きく依存する。 それでも、既存のインスタンスレベルの因果ペアは、低周波のロングテールと目に見えないイベントの組み合わせに対して深刻な一般化の欠陥を被る。 この制限に対処するため、本研究では、具体的な因果関係を、固有の因果関係を維持しながら一般化された抽象因果論理に変換する、新しい関係レベルの因果抽象化パラダイムである抽象事象因果規則(AECR)を提案する。 本研究では,AECRの知識基盤を2つ構築したノイズの多い生因果データから,類似性に制約のあるAECRを蒸留する多エージェントコンクリート-抽象因果誘導システム(CACI)を設計する。 抽象因果知識の実用的有用性を検証するために,提案する抽象ルール誘導因果注意エンコーダ (AR-GCAE) を提案し,AECRを因果グラフイベント予測 (CGEP) ベンチマークタスクに注入する。 AECRの適用は、事象因果推論の一般化能力を大幅に強化し、イベント予測に一貫した性能改善をもたらす。

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)
• Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach [9.175642602891939]
  Causal Assumption-based Argumentation (ABA)は、入力制約と出力グラフの対応性を確保するためにシンボリック推論を使用するフレームワークである。 本稿では,大言語モデル(LLM)をCausal ABAの不完全専門家として活用し,変数名や記述から意味的構造的事前を抽出する方法について検討する。 標準的なベンチマークとセマンティックグラウンドの合成グラフの実験は、最先端の性能を示している。
  論文  参考訳（メタデータ） (2026-02-18T14:15:21Z)
• Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
  Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。 実験により、Reason-IADは最先端の手法よりも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） (2026-02-10T14:54:17Z)
• Causal-Counterfactual RAG: The Integration of Causal-Counterfactual Reasoning into RAG [2.3490649790592935]
  大規模言語モデル(LLM)は自然言語処理(NLP)を変換し、大規模な事前学習知識を統合することで多様な応用を可能にしている。 Retrieval-Augmented Generation (RAG)は、検索機構と生成モデルを組み合わせて文脈理解を改善することでこの問題に対処する。 本稿では,因果関係を表す明示的な因果グラフを検索プロセスに統合し,因果構造に基づく反因果推論を取り入れた新しいフレームワークであるCausal-Counterfactual RAGを提案する。
  論文  参考訳（メタデータ） (2025-09-17T21:18:47Z)
• Generalization or Hallucination? Understanding Out-of-Context Reasoning in Transformers [80.70134000599391]
  我々は、両方の行動は、アウト・オブ・コンテクスト推論(OCR)として知られる単一のメカニズムに由来すると論じる。 OCRは、関連する概念が因果関係であるかによって、一般化と幻覚の両方を駆動する。 我々の研究は、OCR現象を理解するための理論的基盤を提供し、知識注入から望ましくない行動を分析し緩和するための新しいレンズを提供する。
  論文  参考訳（メタデータ） (2025-06-12T16:50:45Z)
• ACCESS : A Benchmark for Abstract Causal Event Discovery and Reasoning [47.540945048737434]
  我々は、抽象因果イベントの発見と推論のために設計されたベンチマークである textttACCESS を紹介する。 本稿では,暗黙的なコモンセンス因果的知識の大規模データセットから,イベント一般化のための抽象化を識別するためのパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-02-12T06:19:02Z)
• Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
  世界の知識と論理的推論の相互作用について検討する。 最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。 タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
  論文  参考訳（メタデータ） (2024-10-31T12:48:58Z)
• Automated Discovery of Functional Actual Causes in Complex Environments [18.58053096534201]
  強化学習アルゴリズムは、しばしば新しい状況に一般化するポリシーを学ぶのに苦労する。 本稿では,機能的現実原因 (FAC) について紹介する。 さらに、観測データから関数的原因を推測するアルゴリズムであるJACI(Joint Optimization for Actual Cause Inference)を導入する。
  論文  参考訳（メタデータ） (2024-04-16T20:04:29Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Improving Event Causality Identification via Self-Supervised Representation Learning on External Causal Statement [17.77752074834281]
  イベント因果同定に外部因果文を活用するCauSeRLを提案する。 まず、外部因果文から文脈固有の因果パターンを学習するための自己教師型フレームワークを設計する。 我々は、学習した文脈固有の因果パターンを対象のECIモデルに組み込むために、コントラッシブトランスファー戦略を採用する。
  論文  参考訳（メタデータ） (2021-06-03T07:50:50Z)

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。