論文の概要: CAUSE: Learning Granger Causality from Event Sequences using Attribution Methods

• arxiv url: http://arxiv.org/abs/2002.07906v1
• Date: Tue, 18 Feb 2020 22:21:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 19:33:08.827080
• Title: CAUSE: Learning Granger Causality from Event Sequences using Attribution Methods
• Title（参考訳）: CAUSE:Attribution Methods を用いたイベントシーケンスからグランガー因果関係の学習
• Authors: Wei Zhang, Thomas Kobber Panum, Somesh Jha, Prasad Chalasani, and David Page
• Abstract要約: 本稿では,非同期,相互依存,多型イベントシーケンスからイベントタイプ間のグランガー因果関係を学習する問題について検討する。 研究課題の新たな枠組みであるCAUSE(Causality from AttribUtions on Sequence of Events)を提案する。 そこで我々は,CAUSEが最先端の手法に対して,タイプ間グランガー因果関係を正しく推定する上で,優れた性能を達成できることを実証した。
• 参考スコア（独自算出の注目度）: 25.04848774593105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of learning Granger causality between event types from asynchronous, interdependent, multi-type event sequences. Existing work suffers from either limited model flexibility or poor model explainability and thus fails to uncover Granger causality across a wide variety of event sequences with diverse event interdependency. To address these weaknesses, we propose CAUSE (Causality from AttribUtions on Sequence of Events), a novel framework for the studied task. The key idea of CAUSE is to first implicitly capture the underlying event interdependency by fitting a neural point process, and then extract from the process a Granger causality statistic using an axiomatic attribution method. Across multiple datasets riddled with diverse event interdependency, we demonstrate that CAUSE achieves superior performance on correctly inferring the inter-type Granger causality over a range of state-of-the-art methods.
• Abstract（参考訳）: 本稿では,非同期,相互依存,多型イベントシーケンスからイベントタイプ間のグランガー因果関係を学習する問題について検討する。 既存の作業は、モデル柔軟性の制限またはモデル説明性の低下のいずれかに悩まされるため、さまざまなイベント相互依存性を持つさまざまなイベントシーケンスで、Granger因果関係を明らかにすることができない。 このような弱点に対処するため,研究課題の新たな枠組みであるCAUSE(Causality from AttribUtions on Sequence of Events)を提案する。 CAUSEの鍵となる考え方は、まず神経点過程を適合させることで、基礎となるイベント相互依存性を暗黙的にキャプチャし、その後、公理的帰属法を用いてグランガー因果統計から抽出することである。 各種イベント相互依存性を考慮に入れた複数のデータセット間で、CAUSEは、最先端の手法に対して、タイプ間グランガー因果関係を正しく推定する上で、優れた性能を発揮することを示す。

関連論文リスト

• Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data [21.697069894721448]
  本研究では,Granger因果構造を推定し,異種干渉時系列データを活用することによって未知のターゲットを同定する理論的基礎的手法を提案する。 本手法は,介入時系列データからGranger因果構造を学習する上で,いくつかの頑健なベースライン法より優れている。
  論文  参考訳（メタデータ） (2024-06-14T21:36:00Z)
• Jacobian Regularizer-based Neural Granger Causality [45.902407376192656]
  本稿では,ヤコビアン正規化器を用いたニューラルグラガー因果性(JRNGC)アプローチを提案する。 提案手法は,入力出力ヤコビ行列正規化器を利用して重みの空間的制約を解消する。 提案手法は,現在最先端の手法を用いて,グラガー因果関係とフルタイムグラガー因果関係を学習する上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-05-14T17:13:50Z)
• Learning Granger Causality from Instance-wise Self-attentive Hawkes Processes [24.956802640469554]
  インスタンスワイド・セルフアテンティブ・ホークス・プロセス(ISAHP)は、インスタンスレベルでGranger因果関係を直接推測できる新しいディープラーニングフレームワークである。 ISAHPは、古典的なモデルでは扱えない複雑なインスタンスレベルの因果構造を発見することができる。
  論文  参考訳（メタデータ） (2024-02-06T05:46:51Z)
• TNPAR: Topological Neural Poisson Auto-Regressive Model for Learning Granger Causal Structure from Event Sequences [27.289511320823895]
  イベントシーケンスからグランガー因果関係を学ぶことは、さまざまなアプリケーションにまたがって難しいが必須の課題である。 トポロジカル・ニューラル・ポアソン自己回帰モデルと2つのプロセスの融合を考案する。 シミュレーションおよび実世界のデータを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-06-25T03:31:47Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Improving Weakly Supervised Sound Event Detection with Causal Intervention [46.229038054764956]
  既存の弱教師付き音響事象検出作業は、両タイプの同時発生を同時に調査していない。 まず、構造因果モデル(SCM)を構築し、コンテキストが共起共同設立者の主な原因であることを明らかにする。 因果解析に基づいて、WSSEDの因果介入(CI)手法を提案し、共起共同設立者の負の影響を除去する。
  論文  参考訳（メタデータ） (2023-03-10T03:13:36Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Deep Recurrent Modelling of Granger Causality with Latent Confounding [0.0]
  本稿では,非線形なGranger因果関係をモデル化するためのディープラーニングに基づくアプローチを提案する。 我々は,非線形時系列におけるモデル性能を実演し,その要因と効果を異なる時間ラグで示す。
  論文  参考訳（メタデータ） (2022-02-23T03:26:22Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
  Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。 特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。 このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
  論文  参考訳（メタデータ） (2021-02-10T07:48:00Z)

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。