論文の概要: Causal Local States: Scalable Simultaneous Causal Network Inference and Forecasting for Dynamical Systems
- arxiv url: http://arxiv.org/abs/2608.17452v1
- Date: Tue, 18 Aug 2026 07:32:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.254784
- Title: Causal Local States: Scalable Simultaneous Causal Network Inference and Forecasting for Dynamical Systems
- Title（参考訳）: 因果的局所状態:動的システムのためのスケーラブルな同時因果的ネットワーク推論と予測
- Abstract要約: 因果的局所状態(cousal local state)は,おおよそのグランガー・因果的相互作用ネットワークを推定し,システムダイナミクスを予測するフレームワークである。
我々は,真のネットワークに供給されたモデルと同等の忠実度と予測で,基礎となるネットワークの再構築を実現する。
- 参考スコア（独自算出の注目度）: 0.2609784101826761
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning methods predict many real-world systems with remarkable accuracy, but they are typically treated as black boxes that offer no insight into which interactions drive the dynamics. Causal discovery methods reconstruct the interaction network from observational data, but without regard to whether the inferred structure supports prediction. Existing approaches combining both tasks rely on a single global hyperparameter, such as a causal threshold or a fixed neighborhood size, which cannot recover the structure of heterogeneous systems. Here we introduce causal local states (CLS), a framework that simultaneously infers an approximate Granger-causal interaction network and forecasts the system dynamics. For each node independently, we select the smallest set of neighbors that allows a predictive model to forecast the node near-optimally, and the resulting neighborhoods are then combined for a forecast of the full system. On three benchmarks of increasing difficulty, we achieve reconstruction of the underlying networks with high fidelity and forecasts on par with a model that is supplied with the true network, providing a step toward explainable and scalable forecasting of complex systems.
- Abstract（参考訳）: 機械学習の手法は、多くの現実世界のシステムを顕著な精度で予測するが、典型的にはブラックボックスとして扱われ、インタラクションがどのダイナミクスを駆動するかの洞察を与えない。
因果探索法は観測データから相互作用ネットワークを再構築するが、推定された構造が予測をサポートするか否かは問わない。
既存の2つのタスクを組み合わせたアプローチは、因果閾値や固定された近傍サイズのような単一の大域的ハイパーパラメータに依存しており、不均一なシステムの構造を回復できない。
本稿では,Langer-Causal 相互作用ネットワークを同時に推論し,システムダイナミクスを予測するフレームワークである因果局所状態(CLS)を紹介する。
各ノードに対して、予測モデルがノードをほぼ最適に予測できる最小の近傍集合を選択し、その結果の近傍を完全なシステムの予測に組み合わせる。
難易度を増大させる3つのベンチマークにおいて, 実ネットワークに供給されるモデルと同等の精度で, 基礎となるネットワークの再構築を実現し, 複雑なシステムの説明可能かつスケーラブルな予測に向けたステップを提供する。
関連論文リスト
- Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。
そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。
制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文 参考訳（メタデータ） (2026-08-20T13:59:57Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Twinning Complex Networked Systems: Data-Driven Calibration of the mABCD Synthetic Graph Generator [2.6776012440607784]
本稿では、マッチング構成を推定し、関連するエラーを定量化する手法を提案する。
構成パラメータ間の強い相互依存が独立推定を弱め、代わりに共同予測アプローチを好んでいることから,本課題は非自明であることを示す。
論文 参考訳（メタデータ） (2026-02-02T12:40:19Z) - On the Nonasymptotic Scaling Guarantee of Hyperparameter Estimation in Inhomogeneous, Weakly-Dependent Complex Network Dynamical Systems [18.99308667176809]
本研究は,階層的ベイズ法が大規模不均一系に対して統計的に整合であることを保証するための基礎理論を提案する。
私たちの主な成果は、この保証を、弱い依存ノードのより困難で現実的な設定にまで拡張します。
論文 参考訳（メタデータ） (2026-01-22T03:05:39Z) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。
我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。
CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
論文 参考訳（メタデータ） (2023-07-19T07:31:37Z) - Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文 参考訳（メタデータ） (2023-05-02T20:30:23Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z)
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。