論文の概要: A Synthetic Benchmark for Target-Centric Causal Discovery in Industrial Processes
- arxiv url: http://arxiv.org/abs/2611.17556v1
- Date: Thu, 12 Nov 2026 22:22:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.267665
- Title: A Synthetic Benchmark for Target-Centric Causal Discovery in Industrial Processes
- Title(参考訳): 産業プロセスにおけるターゲット中心因果発見のための合成ベンチマーク
- Abstract要約: 因果発見は、記録された変数が製品の品質、収量、エネルギー使用などのプロセスターゲットを駆動する場所を見つけることを約束する。
本稿では,産業プロセスにおける目標中心因果発見のための総合的ベンチマークを提案する。
- 参考スコア(独自算出の注目度): 0.4061135251278187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal discovery promises to find which recorded variables drive a process target such as product quality, yield or energy use. Process data with known causes are rare, and in existing benchmarks the difficulty of identifying the causes of a target is either fixed by the recorded data or set for the whole graph. We present a synthetic benchmark for target-centric causal discovery in industrial processes. Its generator is a two-level structural causal model inspired by batch production, assembled from components that each model one phenomenon of process data, such as a control loop or a delayed effect. The graph is built around the target: without sensor error, every non-cause can be distinguished from the direct causes by conditioning on them or by time order. Each component is set independently, so the difficulty can be varied one condition at a time. We evaluate eight methods, from association measures to effect estimation, with an error analysis by the role of the selected candidate; all degrade as the difficulties combine, each in a way consistent with its assumptions.
- Abstract(参考訳): 因果発見は、記録された変数が製品の品質、収量、エネルギー使用などのプロセスターゲットを駆動する場所を見つけることを約束する。
既知の原因を持つプロセスデータはまれであり、既存のベンチマークでは、ターゲットの原因を特定することの難しさは、記録されたデータによって固定されるか、グラフ全体に対してセットされる。
本稿では,産業プロセスにおける目標中心因果発見のための総合的ベンチマークを提案する。
ジェネレータは、バッチ生成にインスパイアされた2段階の構造因果モデルであり、各モデルが制御ループや遅延効果などのプロセスデータの1つの現象をモデルとして組み立てられる。
グラフはターゲットの周りに構築されており、センサエラーがなければ、すべての非原因は、それらに条件付けや時間順で直接原因と区別することができる。
各コンポーネントは独立に設定されるので、難易度は一度に1つの条件で変化させることができる。
提案手法は, 関係尺度から効果推定までの8つの手法を, 選択された候補の役割による誤差解析により評価する。
関連論文リスト
- CausalDS: Benchmarking Causal Reasoning in Data-Science Agents [21.447650293970458]
CausalDSはエージェントデータサイエンスにおける因果推論を評価するためのベンチマークである。
実世界のデータセットから得られた経験的分布にベンチマークの構成を基礎づける。
このベンチマークは、象徴的な因果推論、データサイエンス、不確実性、棄権、ツールの使用/コーディングを共同で評価する。
論文 参考訳(メタデータ) (2026-07-09T04:03:26Z) - CausalReasoningBenchmark: A Real-World Benchmark for Disentangled Evaluation of Causal Identification and Estimation [18.187891198793455]
CausalReasoningBenchmarkは、128の現実世界のデータセットにわたる173のクエリのベンチマークである。
因果推論における失敗と数値実行における誤りを区別する。
論文 参考訳(メタデータ) (2026-02-24T05:44:25Z) - SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph [5.828668695854935]
我々は,目的変数間の因果関係を,計算的かつ統計的に効果的に同定することに注力する。
対象の特定の非祖先は、目標間の因果関係を学習し、効率的な調整セットを特定するのに不要であることを示す。
両手法とも, 因果効果評価の品質を損なうことなく, 独立性試験数と計算時間を大幅に削減できることを示す。
論文 参考訳(メタデータ) (2025-02-11T16:20:57Z) - Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。
大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
論文 参考訳(メタデータ) (2024-08-29T02:21:11Z) - 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) - Beyond Single-Feature Importance with ICECREAM [0.4970364068620607]
本稿では,変数の連立が対象変数の分布に与える影響に関する情報理論尺度を提案する。
合成および実世界のデータを用いた実験では、ICECREAMは説明可能性や根本原因分析において最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-19T06:48:33Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - 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) - 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) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳(メタデータ) (2020-02-23T22:52:28Z)
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。