Causal-INSIGHT：時間モデルを調べて因果構造を抽出する
arXiv cs.LG / 2026/3/27
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- Causal-INSIGHTは、すでに学習済みの時間的予測器から、方向付きの時間遅れ（タイムラグ）を伴う影響構造を抽出するための、モデル非依存の事後（post-hoc）フレームワークとして導入されます。
- 潜在するデータ生成過程の因果グラフそのものを学習するのではなく、推論時に介入を想起した入力のクランプ（固定）を行ったとき、固定された予測器がどのように応答するかを調べます。
- 本手法は、これらのクランプ応答から方向付きの時間的影響シグナルを構築し、予測にモデルが依存している変数および時間遅れを特徴づけます。
- 真のグラフラベルを必要とせず、予測の忠実度と構造的複雑性のトレードオフを行う、疎性を意識したグラフ選択基準Qbicを提案します。
- 合成データ、シミュレーション、および現実的ベンチマークでの実験により、バックボーンとなるモデル種をまたいだ一般化が報告され、既存の予測器に適用した場合に時間遅れの局在化が改善します。
広告
