論文の概要: Semantic Causal-Factor Inference from Aviation Incident Narratives Using A Variational Autoencoder with Cosine-Similarity-Based Reconstruction

• arxiv url: http://arxiv.org/abs/2610.04472v1
• Date: Sat, 03 Oct 2026 12:18:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:32:21.04378
• Title: Semantic Causal-Factor Inference from Aviation Incident Narratives Using A Variational Autoencoder with Cosine-Similarity-Based Reconstruction
• Title（参考訳）: Cosine-Similarity-based Reconstruction を用いた変分オートエンコーダを用いた航空事故物語からの因果関係推論
• Abstract要約: 本研究では,自然言語処理と変分オートエンコーダ(VAE)を組み合わせた意味因果推論フレームワークを提案する。 この枠組みは2005年から2020年にかけて20,919件のアメリカ国家運輸安全委員会の調査報告を用いて評価された。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License:
• Abstract: Aviation accident and incident investigations generate extensive unstructured textual information containing evidence relevant to the causes and contributing factors of safety occurrences. Automatically extracting such information is challenging because causal evidence may be distributed across long and complex investigation narratives. This study proposes a semantic causal-factor inference framework combining natural language processing with a variational autoencoder (VAE) to learn the relationship between aviation investigation narratives and expert-reported probable causes. Investigation narratives and their corresponding probable causes are transformed into numerical representations, after which the encoder maps narrative representations to a probabilistic latent space. The decoder estimates representations of the corresponding probable causes and is trained using an objective that combines Kullback-Leibler divergence with cosine-similarity-based semantic reconstruction. The framework was evaluated using 20,919 finalized U.S. National Transportation Safety Board investigation reports from 2005 to 2020. On the held-out test set, the predicted and expert-reported probable-cause representations achieved a mean cosine similarity of 0.786 (SD = 0.120). The predicted representations also yielded interpretable terms associated with causal information in the reports. The results demonstrate the potential of probabilistic latent representation learning for AI-assisted extraction of causal information from aviation safety narratives while retaining expert investigation as the basis for formal causal determination.
• Abstract（参考訳）: 航空事故とインシデント調査は、事故の原因および安全発生の要因に関連する証拠を含む広範な非構造化のテキスト情報を生成する。 このような情報を自動的に抽出することは、因果的証拠が長く複雑な調査物語に分散される可能性があるため、困難である。 本研究では,自然言語処理と変分オートエンコーダ(VAE)を組み合わせた意味因果推論フレームワークを提案する。 調査物語とその対応する原因は数値表現に変換され、エンコーダは物語表現を確率的潜在空間にマッピングする。 デコーダは、対応する確率的原因の表現を推定し、Kullback-Leiblerの発散とcosine-similarityに基づく意味的再構成を組み合わせた目的を用いて訓練する。 この枠組みは2005年から2020年にかけて20,919件のアメリカ国家運輸安全委員会の調査報告を用いて評価された。 ホールドアウトテストセットでは、予測および専門家が報告した確率的表現は0.786(SD = 0.120)の平均コサイン類似性を達成した。 予測された表現は、レポートの因果情報に関連する解釈可能な用語も与えた。 その結果,AIを用いた航空安全物語からの因果情報抽出のための確率的潜在表現学習の可能性を示した。

関連論文リスト

• Traceable LLM-Generated Hazard Scenarios for Operational Safety Analysis of Aviation Systems Using ASRS Reports [8.323726651684021]
  我々は、NASAの航空安全報告システム(ASRS)から、候補となる危険シナリオを生成するAI支援アプローチを提案する。 対象の有害な結果が与えられた場合、分類因子としての構造化仮説と、その構造と整合した操作イベントシーケンスを記述する物語シナリオを生成する。 我々は,複数の大規模言語モデル,ゼロショットと少数ショットのプロンプト,およびオプションの微調整を評価し,プロンプトとモデル選択が生成した構造や物語の妥当性と現実性に与える影響を評価する。
  論文  参考訳（メタデータ） (2026-08-05T11:07:17Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation [59.473751744275496]
  シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。 このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。 本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:57:01Z)
• Causality Extraction from Nuclear Licensee Event Reports Using a Hybrid Framework [3.1139106894905972]
  本稿では,核ライセンスイベントレポートからの因果検出と抽出のためのハイブリッドフレームワークを提案する。 因果関係分析のための20,129のテキストサンプルを用いたLERコーパスをコンパイルし,因果関係検出のための深層学習に基づくアプローチを構築した。
  論文  参考訳（メタデータ） (2024-04-08T16:39:34Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。