論文の概要: SCDM: Scalable Causal Discovery in Nonlinear Temporal Systems with Meta-Learning

• arxiv url: http://arxiv.org/abs/2610.29992v1
• Date: Wed, 21 Oct 2026 16:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.410137
• Title: SCDM: Scalable Causal Discovery in Nonlinear Temporal Systems with Meta-Learning
• Title（参考訳）: SCDM:メタラーニングによる非線形時間系のスケーラブル因果発見
• Abstract要約: 拡張性のある時間因果発見のためのメタラーニングフレームワークであるSCDMを提案する。 SCDMは各ターゲット変数をタスクとして扱い、タスク間で共有時間予測器と共有因果強度行列を学習する。 統計的,メタ最適化,読み出し誤差が人口差より低い場合,閾値のSCDMスコアがグラフを回復することを示す。
• 参考スコア（独自算出の注目度）: 21.022823890203597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery from nonlinear multivariate time series is challenging in high-dimensional systems, where the number of candidate directed relations grows quadratically with the number of variables. Existing methods are often limited by target-wise model fitting, repeated conditional testing, or expensive graph-search procedures. We propose SCDM, a shared-parameter meta-learning framework for scalable temporal causal discovery. SCDM treats each target variable as a task while learning a shared temporal predictor and a shared causal-strength matrix across tasks. Each meta-episode updates only a subset of target-variable tasks, allowing the model to accumulate structural evidence across the full system without exhaustive target-wise optimization. After training, a post-training graph readout converts the learned predictor into continuous directed causal scores for threshold-independent evaluation. We also provide a finite-error recovery principle showing that, under fully observed delayed-system assumptions and a positive risk-gap condition, thresholding SCDM scores recovers the graph when statistical, meta-optimization, and readout errors are below the population margin. Experiments on controlled synthetic, neuroimaging-inspired, high-dimensional, and real-world temporal benchmarks demonstrate competitive causal recovery and improved scalability in large temporal systems.
• Abstract（参考訳）: 非線形多変量時系列からの因果関係の発見は高次元システムでは困難であり、候補指向関係の数は変数の数と2次的に増加する。 既存の手法は、ターゲットワイドなモデルフィッティング、繰り返し条件テスト、高価なグラフサーチによって制限されることが多い。 拡張性のある時間因果発見のための共有パラメータメタ学習フレームワークであるSCDMを提案する。 SCDMは各ターゲット変数をタスクとして扱い、タスク間で共有時間予測器と共有因果強度行列を学習する。 各メタエピソードは、ターゲット変数のタスクのサブセットだけを更新し、モデルが全システム全体にわたって構造的エビデンスを蓄積することを可能にする。 学習後、学習後のグラフ読み出しは、学習した予測器をしきい値非依存評価のための連続指向因果スコアに変換する。 また,十分観測された遅延系の仮定と正のリスクギャップ条件の下では,統計的,メタ最適化,読み出し誤差が人口限界以下である場合に,しきい値のSCDMスコアがグラフを回復することを示す有限エラー回復原理を提案する。 制御された合成、ニューロイメージングにインスパイアされた高次元、実世界の時間的ベンチマークの実験は、競争力のある因果回復と大規模な時間的システムのスケーラビリティの向上を実証している。

関連論文リスト

• Inferring Multi-Timescale Neural Dynamics with Switching Linear Dynamical Systems [4.679060679983501]
  我々は、連続的またはスパイク的な神経観測から、状態特異的潜時スケールを識別するためのフレームワークを導入する。 MTS-SLDSは、複数の観測ラグにまたがる時間構造を、テクスitregime-conditioned Laplace-EM推論で捉えている。 タイムスケールを正確に回復し、複数のデータセット上で構造を切り替える。
  論文  参考訳（メタデータ） (2026-10-01T14:33:13Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Machine Learning Approaches to Clinical Risk Prediction: Multi-Scale Temporal Alignment in Electronic Health Records [2.9576397177561087]
  本研究では,マルチスケール時間アライメントネットワーク(MSTAN)に基づくリスク予測手法を提案する。 電子健康記録(EHR)における時間的不規則性、サンプリング間隔差、およびマルチスケールダイナミック依存関係の課題に対処する。 EHRデータセットで実施された実験によると、提案されたモデルは、精度、リコール、精度、F1-Scoreのメインストリームベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-26T16:33:59Z)
• Scalable Numerical Embeddings for Multivariate Time Series: Enhancing Healthcare Data Representation Learning [6.635084843592727]
  独立トークンとして各特徴値を扱う新しいフレームワークであるSCANEを提案する。 SCANEは、異なる機能埋め込みの特性を正規化し、スケーラブルな埋め込みメカニズムを通じて表現学習を強化する。 本研究は,MTSの精度の高い予測出力を実現するために,nUMerical eMbeddIng Transformer (SUMMIT) を開発した。
  論文  参考訳（メタデータ） (2024-05-26T13:06:45Z)
• 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)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
  多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。 センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
  論文  参考訳（メタデータ） (2023-06-12T13:42:56Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。