Fugu-MT 論文翻訳(概要): Resilient Concurrent Causal Discovery for Topological Event Sequences

論文の概要: Resilient Concurrent Causal Discovery for Topological Event Sequences

arxiv url: http://arxiv.org/abs/2608.21815v1
Date: Sat, 22 Aug 2026 07:21:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.478794
Title: Resilient Concurrent Causal Discovery for Topological Event Sequences
Title（参考訳）: トポロジカルイベント系列に対する回復的並行因果探索
Abstract要約: RCCDと呼ばれる弾力性のある同時因果探索法を提案する。まず、イベントの持続時間を埋め込み表現に組み込む、影響を意識したハイパーエッジ因果注意機構を導入する。次に、ハイパーエッジ因果的畳み込みによって同時イベント機能を集約し、複雑な多対一因果的相互作用を捉えるために、ネットワーク事前の知識を注入する。
参考スコア（独自算出の注目度）: 41.25362804854815
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal discovery on topological event sequences is crucial for ensuring the reliability of networks. However, existing methods struggle to capture the complex causal relationships arising from concurrent events and lack robustness to incomplete event sequences. To address these issues, we propose a resilient concurrent causal discovery method, termed RCCD, enabling robust learning of causal graphs from topological event sequences. Specifically, we first introduce an influence-aware hyperedge causal attention mechanism, which incorporates event duration into the embedding representation, aggregates concurrent event features via hyperedge causal convolution, and injects network prior knowledge to capture the complex many-to-one causal interactions. Furthermore, we design a masked-based alternating causal optimization framework, which forces the model to recover masked event types based on context through self-supervised mask reconstruction, thereby enhancing the resilience of the predictor to missing data. To validate the effectiveness of our method, we conduct extensive experiments on both simulated and real-world telecommunication network datasets. Experimental results demonstrate that the proposed method significantly outperforms existing state-of-the-art methods in both accuracy and robustness, making it more suitable for real-world telecommunication network environments.
Abstract（参考訳）: トポロジカル事象系列の因果発見は、ネットワークの信頼性を確保するために重要である。しかし、既存の手法は、同時イベントに起因する複雑な因果関係を捉えるのに苦労し、不完全なイベントシーケンスに対する堅牢性を欠いている。これらの問題に対処するために, RCCDと呼ばれる回復力のある同時因果探索法を提案し, トポロジカル事象列からの因果グラフの堅牢な学習を可能にする。具体的には、まず、イベント持続時間を埋め込み表現に組み込んで、ハイパーエッジ因果的畳み込みを通じて同時イベント特徴を集約し、複雑な多対一因果的相互作用を捉えるために、ネットワーク事前の知識を注入する、影響を意識したハイパーエッジ因果的注意機構を導入する。さらに,マスク型因果最適化フレームワークを設計し,自己教師型マスク再構成によるコンテキストに基づくマスク型イベントの復元を強制的に行うことにより,データ不足に対する予測者のレジリエンスを向上する。提案手法の有効性を検証するため,シミュレーションおよび実世界の通信ネットワークデータセットについて広範な実験を行った。実験結果から,提案手法は既存の最先端手法よりも精度とロバスト性に優れており,実世界の通信ネットワーク環境に適していることが示された。

関連論文リスト

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)
Structured Neural Marked Point Processes for Interpretable Event Interaction Modeling [12.453735847515006]
マルチクラスイベントストリームは多くの実世界のアプリケーションで発生し、構造化され解釈可能なイベント間の関係を明らかにすることは、正確な予測とともに、依然として中心的な課題である。既存のニューラルポイントプロセスモデルは非常に表現力が高いが、イベントインタラクションをブラックボックス方式でエンコードすることで、構造化された依存関係の明示的な発見を防止する。本稿では,データからイベント・ワイド・クラス・リレーションシップを明確化しつつ,高いモデリング柔軟性を実現する構造化ニューラルマークポイントプロセス(SNMPP)を提案する。
論文参考訳（メタデータ） (2026-05-17T17:56:22Z)
Event-CausNet: Unlocking Causal Knowledge from Text with Large Language Models for Reliable Spatio-Temporal Forecasting [14.895432181247044]
本研究では,非構造化イベントレポートの定量化にLarge Language Modelを使用するフレームワークであるEvent-CausNetを提案する。実世界のデータセットの実験では、Event-CausNetは堅牢なパフォーマンスを実現し、予測エラー(MAE)を最大35.87%削減している。
論文参考訳（メタデータ） (2025-11-16T20:45:23Z)
FlowXpert: Context-Aware Flow Embedding for Enhanced Traffic Detection in IoT Network [7.30584204219718]
IoT(Internet of Things)環境では、多数のデバイス間の継続的なインタラクションによって複雑な動的ネットワークトラフィックが生成される。機械学習(ML)ベースのトラフィック検出技術は、ネットワークセキュリティを確保する上で重要なコンポーネントである。
論文参考訳（メタデータ） (2025-09-25T07:52:58Z)
EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
論文参考訳（メタデータ） (2025-04-23T11:01:03Z)
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)
Causal Composition Diffusion Model for Closed-loop Traffic Generation [31.52951126032351]
本稿では,これらの課題に対処するための構造誘導拡散フレームワークであるCausal Compositional Diffusion Model (CCDiff)を紹介する。まず、制約付き最適化問題として、制御可能で現実的な閉ループシミュレーションの学習を定式化する。そして、CCDiffは拡散過程に直接因果構造を自動同定し注入することにより、現実主義に固執しながら制御性を最大化する。
論文参考訳（メタデータ） (2024-12-23T19:20:29Z)
Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文参考訳（メタデータ） (2024-02-04T05:50:38Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Cross-Supervised Joint-Event-Extraction with Heterogeneous Information Networks [61.950353376870154]
Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-10-13T11:51:17Z)

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。