論文の概要: seq2cause: One Autoregressive Backbone, Four Causal Discovery Tasks in Event Sequences

• arxiv url: http://arxiv.org/abs/2609.31801v1
• Date: Fri, 25 Sep 2026 10:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 12:39:36.641174
• Title: seq2cause: One Autoregressive Backbone, Four Causal Discovery Tasks in Event Sequences
• Title（参考訳）: seq2 because: 1つの自己回帰バックボーン、イベントシーケンスにおける4つの因果発見タスク
• Abstract要約: 複雑なシステムは、操作上の疑問が因果的であり、予測的ではない離散的なイベントシーケンスを出力する。 1つの共有プリミティブを通じて4つのレシスタンスをすべて解決する統一的なフレームワークを提案する。 textscSeq2Causeは、単一の冷凍バックボーンで4つのレシスタンスを大規模にポップアップさせる最初の方法である。
• 参考スコア（独自算出の注目度）: 1.5229257192293202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex systems such as vehicles, patients, or genomes emit discrete event sequences whose operative question is causal, not predictive: which events cause which other events, and which cause higher-level outcomes such as failures or diseases? This question decomposes along two axes -- dependency type (event $\to$ event vs.\ event $\to$ outcome) and causal scope (single sequence vs.\ population) -- yielding four structurally distinct regimes with different identifiability conditions. No existing method addresses more than one, because all assume multi-stream structure with low vocabulary, and none scales beyond a few hundred event types. We present \textsc{Seq2Cause}, a unified framework that resolves all four regimes through a single shared primitive: a pretrained autoregressive model repurposed as an amortized conditional independence testing engine requiring no task-specific retraining. We establish a prediction--causality duality: the model's excess cross-entropy simultaneously bounds causal identification error across all four regimes, so that every improvement in next-token prediction tightens causal guarantees for free. On nonlinear SCMs (vocabularies up to $8{,}000$ types) and real-world vehicle diagnostic logs ($29$K event types, $474$ failure outcomes), \textsc{Seq2Cause} is the first method to populate all four regimes at scale with a single frozen backbone. Existing methods are either inapplicable, inaccurate, or computationally intractable in this setting.
• Abstract（参考訳）: 車両、患者、ゲノムなどの複雑なシステムでは、手術中の質問が因果的であり、予測的ではない個別のイベントシーケンスが生成される。 この問題は、依存型 (event $\to$ event vs.\ event $\to$ result) と因果スコープ (single sequence vs.\ population) という2つの軸に沿って分解し、異なる識別可能性条件を持つ4つの構造的に異なるレジームを生成する。 なぜなら、すべてが低語彙のマルチストリーム構造を前提としており、数百のイベントタイプを超えるスケールはしないからです。 我々は、単一の共有プリミティブによって4つのレシスタンスをすべて解決する統一されたフレームワークである‘textsc{Seq2Cause} を提示する。 モデルの過剰なクロスエントロピーは、すべての4つのレシエーションで因果同定誤差を同時に束縛するので、次点予測の改善は、因果保証を自由に締め付けることができる。 非線形SCM(最大8,000ドル)と現実世界の車両診断ログ(29$Kのイベントタイプ、474$の障害結果)について、 \textsc{Seq2Cause}は、単一の冷凍バックボーンで4つのレシスタンスをスケールする最初の方法だ。 既存の手法は、この設定では適用できないか、不正確か、あるいは計算的に難解である。

関連論文リスト

• Harness Engineering for Predictable Agentic Systems: An Empirical Study of Deterministic Execution Constraints [0.0]
  LLM(Large Language Model)ベースのエージェントは、同一のタスクやツールが与えられたとしても、実行時から実行時までのかなりのばらつきを示す。 エージェントを決定論的実行層にラップする。
  論文  参考訳（メタデータ） (2026-08-25T07:46:50Z)
• Self-Evolving Agents with Anytime-Valid Certificates [1.2691047660244335]
  我々は,小型のステアリングアダプタとEmphfrozenベースモデルを中心としたバージョン付きハーネスに自己修正を限定するアーキテクチャである textbfSEA を提案する。 5つのループコントローラが発行された保証を構成しており、そのようなゲートは凍結されたベースが既に生成している動作の中でのみ選択できるため、5つの検証器・イン・ザ・ループ機構はゲートが必要とする高密度でグレーダフリーな信号を供給する。 結果は高価な評価で単回実行され、実行時から実行時までの分散を確認し、タスク毎のアルゴリズムの混合を適用することが今後の作業である。
  論文  参考訳（メタデータ） (2026-07-01T12:34:52Z)
• Self-Attention as a Covariance Readout: A Unified View of In-Context Learning and Repetition [8.250374560598495]
  大規模言語モデル(LLM)は、インコンテキスト学習(ICL)と反復生成の2つの振る舞いを示す。 どちらのモデルも、コンテキストを人口統計と捨てられたトークンレベルの詳細に要約したかのように振る舞う。 この要約と「忘れる」は、注意機構自体から導き出すことができ、肯定的に答えられるかどうかを問う。
  論文  参考訳（メタデータ） (2026-05-11T12:33:15Z)
• Towards Practical Multi-label Causal Discovery in High-Dimensional Event Sequences via One-Shot Graph Aggregation [14.409508347156397]
  CARGOは、スパースで高次元のイベントシーケンスに対するスケーラブルなマルチラベル因果探索法である。 並列に、シーケンス毎の1ショット因果グラフを推論し、適応周波数融合を用いてそれらを集約し、ラベルのグローバルマルコフ境界を再構築する。 29,100以上のユニークなイベントタイプと474のアンバランスなラベルを持つ実世界の自動車故障予測データセットに対する我々の結果は、CARGOが構造化推論を行う能力を示している。
  論文  参考訳（メタデータ） (2025-09-23T14:58:50Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• From Continual Learning to SGD and Back: Better Rates for Continual Linear Models [50.11453013647086]
  以前見られたタスクの損失を、$k$の繰り返しの後、忘れること、すなわち、分析する。 実現可能な最小二乗の設定において、新しい最上界を創出する。 我々は、タスクを繰り返しないランダム化だけで、十分に長いタスクシーケンスで破滅的な事態を防げることを初めて証明した。
  論文  参考訳（メタデータ） (2025-04-06T18:39:45Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Causal Discovery using Compression-Complexity Measures [0.0]
  観測された2つの離散記号列から因果方向を$X$と$Y$から推定する問題に対処する。 CCM(Compression-Complexity Measures) - Lempel-Ziv(LZ)複雑性とETC(Effort-To-Compress)の3つのモデルを提案する。 提案モデルでは,シーケンスペア間の因果情報交換を指向的に捉え,重要な問題に対処する新たな機会を提示する。
  論文  参考訳（メタデータ） (2020-10-19T09:19:56Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)

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。