論文の概要: CausalArena: Benchmarking Causal Discovery in the Foundation Model Era

• arxiv url: http://arxiv.org/abs/2609.11897v1
• Date: Thu, 10 Sep 2026 17:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.477614
• Title: CausalArena: Benchmarking Causal Discovery in the Foundation Model Era
• Title（参考訳）: CausalArena: ファンデーションモデル時代における因果発見のベンチマーク
• Abstract要約: CausalArenaは共通のプロトコルの下で因果発見のための統一されたベンチマークである。 あるベンチマークシステムにおける強いパフォーマンスは、他のベンチマークシステムに確実に移行しないことを示す。
• 参考スコア（独自算出の注目度）: 47.81267771630766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery aims to uncover causal structures from data and is fundamental to scientific reasoning and intervention-based decision making. Its evaluation relies heavily on structural causal models (SCMs), which specify a causal graph together with the mechanisms that generate data, yet existing studies differ substantially in graph families, mechanisms, and evaluation protocols. The emergence of causal discovery foundation models (CDFMs) further complicates evaluation: performance may reflect not only causal discovery ability, but also overlap between pretraining environments and test SCMs, making results on fixed synthetic benchmarks difficult to interpret. We introduce CausalArena, a unified and evolvable benchmark for causal discovery under a common protocol. Synthetic SCMs supply controlled breadth over structures and mechanisms; semantic operational SCMs provide human-auditable, semantically grounded environments beyond standard synthetic generators; and formula-grounded SCMs test discovery under explicit scientific mechanisms. Public real-world datasets provide an additional external-validity check. Experiments across classical, neural, and pretrained methods reveal substantial ranking shifts across SCM families and protocols, showing that strong performance in one benchmark regime does not reliably transfer to others. These results highlight benchmark diversity and pretraining--evaluation overlap as central challenges for evaluating causal discovery in the foundation model era.
• Abstract（参考訳）: 因果発見は、データから因果構造を明らかにすることを目的としており、科学的推論と介入に基づく意思決定の基礎となっている。 その評価は、データを生成するメカニズムとともに因果グラフを指定する構造因果モデル(SCM)に大きく依存するが、既存の研究はグラフファミリ、メカニズム、評価プロトコルで大きく異なる。 因果発見基盤モデル(CDFM)の出現は、因果発見能力だけでなく、事前学習環境とテストSCMの重複を反映し、固定された合成ベンチマークの結果の解釈が困難である。 共通プロトコルの下で因果発見のための統一的で進化可能なベンチマークであるCausalArenaを紹介する。 合成SCMは構造と機構を制御し、セマンティックオペレーショナルSCMは、標準的な合成生成物を超えた人間の聴覚的、セマンティックグラウンドの環境を提供し、明示的な科学的メカニズムの下で公式グラウンドのテスト発見を提供する。 パブリックな現実世界のデータセットは、追加の外部妥当性チェックを提供する。 古典的、神経的、事前訓練された手法による実験では、SCMファミリーやプロトコル間ではかなりのランキングシフトが示され、あるベンチマークシステムにおける強いパフォーマンスが、他の人に確実に転送されないことが示されている。 これらの結果は,基礎モデル時代における因果発見を評価する上での課題として,ベンチマークの多様性と事前学習のオーバーラップが重要視されている。

関連論文リスト

• DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms [48.57846236686172]
  因果発見を記憶する新しい基礎モデルアーキテクチャである textbfDAG-FM を提案する。 直接行列予測とは異なり、DAG-FMは因果発見プロセスを2つの自己回帰段階に分解する。 我々は,DAG-FMが,合成ベンチマークと複雑な実世界のデータセットの両方で最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-07-13T13:00:06Z)
• CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
  因果発見は、観測データから根底にある因果構造を復元する過程である。 ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
  論文  参考訳（メタデータ） (2026-07-13T12:58:28Z)
• 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)
• TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
  因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。 本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
  論文  参考訳（メタデータ） (2026-05-29T11:05:43Z)
• PRIM: Meta-Learned Bayesian Root Cause Analysis [6.537088094470879]
  PRIM (Prior-fitted Root cause Identification with Meta-learning) は因果メタラーニング手法である。 PRIMは、ベースラインと異常周期の間のデータ生成機構の変化を暗黙的に識別する。 明示的な統計的テストなしで分布差を推測し、テスト時にモデルフィッティングなしで因果構造を暗黙的に学習する。
  論文  参考訳（メタデータ） (2026-05-09T08:14:09Z)
• Kolmogorov-Arnold causal generative models [40.44169036529174]
  因果生成モデルは、観測データから観察的、介入的、および反事実的クエリに答えるための原則化された枠組みを提供する。 我々はKAN(Kolmogorov-Arnold Network)により各構造方程式をパラメータ化した混合型表型データに対する因果生成モデルKaCGMを提案する。 この分解は、シンボリック近似や親子関係の可視化を含む学習因果関係の直接検査を可能にする。
  論文  参考訳（メタデータ） (2026-03-20T17:58:38Z)
• dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data [1.9797215742507548]
  本稿では,最初の非パラメトリックスコアを導入し,部分アンセストラルグラフと観測データとの整合性を評価する。 次にデータ互換のFast Causal Inference (dcFCI)を提案する。
  論文  参考訳（メタデータ） (2025-05-10T07:05:19Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)

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。