論文の概要: Causal Representation Learning with Instantaneous and Lagged Relations via Nonstationarity

• arxiv url: http://arxiv.org/abs/2610.03452v1
• Date: Fri, 02 Oct 2026 15:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.453479
• Title: Causal Representation Learning with Instantaneous and Lagged Relations via Nonstationarity
• Title（参考訳）: 非定常性による瞬時・遅延関係による因果表現学習
• Abstract要約: 時系列データの因果表現学習は、潜伏状態とその因果関係を観測から識別することを目的としている。 離散的あるいは連続的な補助変数を用いたコントラスト学習を用いて、潜在表現を学習し、それらの即時的およびラタグ付き因果構造を推定するフレームワークiCReNを提案する。
• 参考スコア（独自算出の注目度）: 7.39986233979528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal representation learning for time-series data aims to identify latent states and their causal relations from observations. In this setting, an important challenge is to model both lagged causal relations across observation intervals and faster causal effects that appear as instantaneous relations within an interval, while accounting for nonstationarity in time-series data. However, methods that jointly handle these causal relations and nonstationarity remain limited. To address this gap, we establish sufficient conditions for identifying latent states up to component permutation and component-wise invertible transformations, and their instantaneous and lagged causal structures up to the same permutation, using an observed auxiliary variable, such as time or a condition label, associated with changes in transition-noise distributions. Based on these results, we propose iCReN, a framework that uses contrastive learning with discrete or continuous auxiliary variables to learn latent representations and estimate their instantaneous and lagged causal structures. Experiments demonstrate accurate recovery of latent states and both instantaneous and lagged causal structures on synthetic data and the utility of the learned representations for downstream forecasting on real-world data.
• Abstract（参考訳）: 時系列データの因果表現学習は、潜伏状態とその因果関係を観測から識別することを目的としている。 この設定において重要な課題は、時系列データの非定常性を考慮しつつ、観測間隔にまたがるタグ付き因果関係と、間隔内で瞬時関係として現れる高速因果関係の両方をモデル化することである。 しかし、これらの因果関係と非定常性を共同で扱う方法はまだ限られている。 このギャップに対処するために、コンポーネントの置換やコンポーネント単位の可逆変換に至るまでの潜伏状態を特定するための十分な条件と、遷移ノイズ分布の変化に関連する時間や条件ラベルといった観測された予備変数を用いて、それらの瞬時およびラタグの因果構造を同一の置換まで同定する。 これらの結果に基づき、離散的あるいは連続的な補助変数を用いたコントラスト学習を用いて潜在表現を学習し、それらの即時的およびラタグ付き因果構造を推定するフレームワークiCReNを提案する。 実験では, 潜伏状態の正確な回復と, 実世界のデータに基づく下流予測のための学習表現の有用性について検討した。

関連論文リスト

• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
  我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。 経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
  論文  参考訳（メタデータ） (2023-10-28T06:46:03Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract) [0.3314882635954752]
  自己相関および非定常時系列データ(eCDAN)に対する制約に基づくCD手法を提案する。 eCDANは、時間的変化とともに、タグ付きおよび同時因果関係を検出することができる。 合成データと実世界のデータの実験は、eCDANが時間の影響を識別し、ベースラインを上回ることを示した。
  論文  参考訳（メタデータ） (2023-03-06T01:59:45Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。