論文の概要: One Thing Leads to Another: The Essentials of Time Series Causal Discovery

• arxiv url: http://arxiv.org/abs/2610.13430v1
• Date: Fri, 09 Oct 2026 11:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.553279
• Title: One Thing Leads to Another: The Essentials of Time Series Causal Discovery
• Title（参考訳）: タイムシリーズの因果発見の本質
• Abstract要約: 時系列因果発見は、半世紀以上前の信号処理の研究に起源を持つ。 このチュートリアルは、研究コミュニティ全体で時系列因果発見の統一的な概要を提供する。
• 参考スコア（独自算出の注目度）: 15.348177215891056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series causal discovery --- the process of detecting causation between time series --- has its roots in signal processing research from over a half century ago. It has since received active and widespread interest, evolving into different forms across domains such as statistics, dynamical systems and machine learning. Entering this fragmented and constantly evolving research landscape can be daunting. This tutorial provides a unified overview of time series causal discovery across research communities. We introduce the key principles invoked by modern discovery methods, and we discuss their limitations and assumptions. We also discuss how discovery methods are evaluated, benchmarked and fine-tuned. We further discuss how causal discovery for time series is becoming crucial for downstream tasks in agriculture and Earth science, in healthcare, and in artificial intelligence systems. We believe that this tutorial will serve as a valuable resource in navigating the deluge of recent causality research, as well as an invitation to signal processing audiences to contribute to causal problems. To further help readers, we host a companion repository to link to useful code packages and resources at https://github.com/CHAI-UK/Awesome-Time-Series-Causal-Discovery.
• Abstract（参考訳）: 時系列因果発見 -- 時系列間の因果関係を検出するプロセス -- は、半世紀以上前の信号処理研究にルーツを持つ。 その後、活発で幅広い関心を集め、統計学、力学システム、機械学習などの分野にまたがる様々な形式に進化した。 この断片化され、常に進化する研究環境に入ることは、驚くべきことだ。 このチュートリアルは、研究コミュニティ全体で時系列因果発見の統一的な概要を提供する。 本稿では,現代の発見手法によってもたらされる重要な原則を紹介し,その限界と仮定について論じる。 また、発見方法の評価、ベンチマーク、微調整についても論じる。 さらに、農業や地球科学、医療、人工知能システムにおける下流業務において、時系列の因果発見がいかに重要になっているかについて論じる。 このチュートリアルは,近年の因果研究の希薄化と,原因問題へのコントリビューションのために聴衆に信号処理を依頼する上で,貴重な情報源となると信じている。 読者を支援するため、私たちはhttps://github.com/CHAI-UK/Awesome-Time-Series-Causal-Discovery.comで有用なコードパッケージとリソースをリンクするコンパニオンリポジトリをホストしています。

関連論文リスト

• Continual Graph Memory for Mathematical Research Agents [95.750048838182]
  Ansatzはグラフベースの、進化可能な、クロスプロブレムな数学的研究メモリシステムである。 証明探索プロセス全体を整理し、過去の問題の探索軌跡から情報を再利用する。 アンサッツは10の研究課題の全てを閉鎖し、長期の数学的探索を継続し再開する能力を示した。
  論文  参考訳（メタデータ） (2026-10-02T07:38:09Z)
• From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
  推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。 静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。 我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
  論文  参考訳（メタデータ） (2025-06-23T17:27:19Z)
• Embracing the black box: Heading towards foundation models for causal discovery from time series data [8.073449277052495]
  因果事前学習(Causal Pretraining)は、時系列から根底にある因果グラフへの直接マッピングを教師付きで学習することを目的とした方法論である。 我々の経験から,トレーニングとテスト時系列のサンプルがそれらのダイナミクスの大部分を共有していると仮定して,教師付き方法で因果発見が可能であることが示唆された。 因果的に事前学習されたニューラルネットワークを用いた実世界のデータに対する因果発見が限界の範囲内で可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T16:49:13Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Causal Discovery from Temporal Data: An Overview and New Perspectives [6.251443497694126]
  時間データの分析は、様々なアプリケーションに非常に有用である。 因果的発見 時間的データから因果関係を 学ぶことは 興味深いが 重要な課題だ 本稿では,2つのカテゴリ間の相関関係を定義し,既存のソリューションの体系的概要を提供する。
  論文  参考訳（メタデータ） (2023-03-17T16:45:01Z)
• Causal discovery for time series with latent confounders [0.0]
  本研究は,多次元の高自己相関時系列に適合するジェネレータを見つけることを目的としたLPCMCIアルゴリズムを評価する。 LPCMCIは、何も知らないが最適な検出には程遠い、ランダムなアルゴリズムよりもはるかに優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-09-07T18:57:19Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)

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。