論文の概要: Inferring Causal Relations between Two Sequences of Events with Language Models

• arxiv url: http://arxiv.org/abs/2609.39406v1
• Date: Wed, 30 Sep 2026 09:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.545151
• Title: Inferring Causal Relations between Two Sequences of Events with Language Models
• Title（参考訳）: 言語モデルを用いた2つの事象列間の因果関係の推定
• Abstract要約: 因果AIは、パターンや相関だけでなく、原因と影響の関係を理解し、推論するのに役立つ。 本研究では,Large Language Models (LLMs) の予測能力を利用して,2つの事象列間の因果関係を推定できることを示す。
• 参考スコア（独自算出の注目度）: 37.8968526440427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal AI is a branch of Artificial Intelligence which helps understand and reason about cause and effect relationships, not just patterns or correlations. Causal discovery aims to infer elements of the underlying causal structure--often represented as a directed graph--from observational and, when available, interventional data. While causal discovery is the fundamental step for moving beyond mere associations toward genuine understanding, and thus the basic building block of causal AI, it becomes intrinsically difficult when causal relations must be inferred from single observations. In such situations, standard causal discovery methods cannot be used and one has to identify causal relations from limited amount of information. This is typically the case for, e.g., sequences of events produced by different alarms which need to be analyzed on the fly to detect abnormal phenomena, which are usually rare. We show in this study that it is possible to leverage the predictive power of Large Language Models (LLMs) to infer causal relations between only two sequences of events. This approach, which is validated on both synthetic and real data, provides better results than standard causal discovery algorithms on several time series data, even though these data were converted into smaller, single observed sequences.
• Abstract（参考訳）: 因果AI(Causal AI)は、パターンや相関だけでなく、原因と影響の関係の理解と推論を支援する人工知能の分野である。 因果発見は、観測データから、しばしば有向グラフとして表される、根底にある因果構造の要素を推測することを目的としている。 因果的発見は、単なる関連性を超えて真の理解へと進むための基本的なステップであり、因果的AIの基本構築ブロックであるが、因果的関係が単一観測から推測される必要がある場合、本質的に困難になる。 このような状況下では、標準的な因果発見法は使用できず、限られた情報量から因果関係を識別する必要がある。 これは典型的には、通常稀な異常な現象を検出するために、フライで分析する必要がある異なるアラームによって生成された事象のシーケンスである。 本研究では,Large Language Models (LLMs) の予測能力を利用して,2つの事象列間の因果関係を推定できることを示す。 このアプローチは、合成データと実データの両方で検証され、より小さな単一の観測シーケンスに変換されたとしても、いくつかの時系列データにおいて標準的な因果探索アルゴリズムよりも優れた結果が得られる。

関連論文リスト

• Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series [0.2348805691644085]
  本稿では,異常検出のための因果解離表現学習(CDRL4AD)を提案する。 まず、因果過程をモデル入力、時間的異質グラフ、因果関係として設計する。 第2に,異なる期間における因果関係を識別し,対応する因果関係を推定するために潜伏変数をアンタングルする。
  論文  参考訳（メタデータ） (2025-10-13T07:26:20Z)
• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。