Fugu-MT 論文翻訳(概要): Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis

論文の概要: Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis

arxiv url: http://arxiv.org/abs/2002.00208v3
Date: Mon, 1 Jun 2020 09:24:52 GMT
ステータス: 処理完了
システム内更新日: 2023-01-05 00:56:22.041958
Title: Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis
Title（参考訳）: 時系列解析のための可変グレンジャー因果関係と伝達エントロピー
Authors: Chainarong Amornbunchornvej, Elena Zheleva, and Tanya Berger-Wolf
Abstract要約: 固定時間遅延の仮定を緩和する可変ラグ・グランガー因果関係と可変ラグ・トランスファー・エントロピーを開発する。提案手法では,動的時間ワープ(DTW)の最適ワープパスを用いて,変動ラグ因果関係を推定する。我々の手法は時系列解析のあらゆる領域に適用できる。
参考スコア（独自算出の注目度）: 7.627597166844701
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Granger causality is a fundamental technique for causal inference in time series data, commonly used in the social and biological sciences. Typical operationalizations of Granger causality make a strong assumption that every time point of the effect time series is influenced by a combination of other time series with a fixed time delay. The assumption of fixed time delay also exists in Transfer Entropy, which is considered to be a non-linear version of Granger causality. However, the assumption of the fixed time delay does not hold in many applications, such as collective behavior, financial markets, and many natural phenomena. To address this issue, we develop Variable-lag Granger causality and Variable-lag Transfer Entropy, generalizations of both Granger causality and Transfer Entropy that relax the assumption of the fixed time delay and allow causes to influence effects with arbitrary time delays. In addition, we propose methods for inferring both variable-lag Granger causality and Transfer Entropy relations. In our approaches, we utilize an optimal warping path of Dynamic Time Warping (DTW) to infer variable-lag causal relations. We demonstrate our approaches on an application for studying coordinated collective behavior and other real-world casual-inference datasets and show that our proposed approaches perform better than several existing methods in both simulated and real-world datasets. Our approaches can be applied in any domain of time series analysis. The software of this work is available in the R-CRAN package: VLTimeCausality.
Abstract（参考訳）: グランガー因果関係(Granger causality)は、時系列データにおける因果推論の基本的な技法であり、社会科学や生物科学で一般的に用いられる。グランガー因果関係の典型的な運用化は、エフェクト時系列のすべての時点が、他の時系列と固定時間遅延の組み合わせに影響されることを強く仮定する。固定時間遅延の仮定は転送エントロピーにも存在し、これはグランジャー因果関係の非線形バージョンと考えられている。しかし、固定時間遅延の仮定は、集団行動、金融市場、多くの自然現象など、多くの応用において成立しない。この問題に対処するため,一定時間遅延の仮定を緩和し,任意の時間遅延による影響を生じさせるような,可変ラグの因果関係と可変ラグの移動エントロピー,およびグランガーの因果関係と移動エントロピーの一般化を開発した。さらに,パラメータラグの因果関係と転送エントロピーの関係を推定する手法を提案する。提案手法では,動的時間ワープ(DTW)の最適整合経路を用いて変動ラグ因果関係を推定する。我々は,協調した集合行動やその他の実世界のカジュアル推論データセットを研究するアプリケーションに対するアプローチを実証し,提案手法がシミュレーションと実世界の両方のデータセットにおいて,既存の手法よりも優れていることを示す。我々の手法は時系列解析のあらゆる領域に適用できる。この作業のソフトウェアは、R-CRANパッケージ、VLTimeCausalityで利用可能である。

関連論文リスト

Exploring Neural Granger Causality with xLSTMs: Unveiling Temporal Dependencies in Complex Data [20.773694998061707]
時系列における因果関係は、特に非線形依存の存在下では決定が難しい。本稿では,変数間の長距離関係を捉えるために,Granger causal xLSTM(GC-xLSTM)を提案する。提案したGC-xLSTMモデルの総合的有効性を示す3つのデータセットに関する実験的検討を行った。
論文参考訳（メタデータ） (2025-02-14T08:07:03Z)
SpaceTime: Causal Discovery from Non-Stationary Time Series [34.39247638413985]
因果関係を理解することは困難であり、時間や環境によって因果関係を変えることでしばしば複雑になる。時系列から因果グラフを発見する既存の方法は、定常性を仮定するか、時間的および空間的な分布の変化を許さないか、同じ因果関係を持つ位置を知らないかのいずれかである。本研究では,非定常マルチコンテキスト設定における因果グラフ発見の3つのタスクを統一する。本研究では,異なる漁獲量で測定された河川流出や生態系間の生物圏・大気相互作用など,実世界の現象に関する知見を提供する。
論文参考訳（メタデータ） (2025-01-17T15:00:20Z)
Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-10-07T07:27:39Z)
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)
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)
Towards Understanding the Generalizability of Delayed Stochastic Gradient Descent [63.43247232708004]
非同期で実行される勾配降下は、大規模機械学習モデルのトレーニングにおいて重要な役割を果たす。既存の一般化誤差境界は悲観的であり、非同期遅延と一般化の相関を明らかにすることはできない。我々の理論的結果は、非同期遅延は遅延SGDアルゴリズムの一般化誤差を低減することを示唆している。
論文参考訳（メタデータ） (2023-08-18T10:00:27Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
論文参考訳（メタデータ） (2022-12-20T17:40:03Z)
Jacobian Granger Causal Neural Networks for Analysis of Stationary and Nonstationary Data [19.347558051611827]
本稿では,変数重要度尺度としてヤコビアンを用いた神経ネットワークによるグランガー因果性へのアプローチを提案する。結果として得られるアプローチは、グランガー因果変数を識別する他のアプローチと比較して一貫してうまく機能する。
論文参考訳（メタデータ） (2022-05-19T14:07:54Z)
Causal Inference in Non-linear Time-series using Deep Networks and Knockoff Counterfactuals [8.56007054019834]
変数の非線形結合は、原因と効果の関係を不正確に推定する主な課題の1つである。本稿では,非線型因果関係を推定するために,DeepAR(Deep Autoregressive Network)を反実解析と併用することを提案する。
論文参考訳（メタデータ） (2021-09-22T16:07:27Z)
Dynamic Window-level Granger Causality of Multi-channel Time Series [28.302491046127443]
マルチチャネル時系列データに対する動的ウィンドウレベルグランガー因果関係法(DWGC)を提案する。本稿では,DWGC法における因果索引付け手法を提案する。
論文参考訳（メタデータ） (2020-06-14T03:53:42Z)

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。