論文の概要: Causal structure learning from time series: Large regression
coefficients may predict causal links better in practice than small p-values
- arxiv url: http://arxiv.org/abs/2002.09573v2
- Date: Wed, 2 Sep 2020 09:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 01:09:02.307017
- Title: Causal structure learning from time series: Large regression
coefficients may predict causal links better in practice than small p-values
- Title(参考訳): 時系列からの因果構造学習:小さなp値よりも実際に因果関係を予測できる大きな回帰係数
- Authors: Sebastian Weichwald, Martin E Jakobsen, Phillip B Mogensen, Lasse
Petersen, Nikolaj Thams, Gherardo Varando
- Abstract要約: 本稿では,因果構造学習のアルゴリズムを,因果関係4気候コンペで優勝した時系列データから説明する。
我々は,確立されたアイデアの組み合わせが,半現実的,現実的な時系列データ上での競合性能をどのように達成するかを検討する。
- 参考スコア(独自算出の注目度): 4.014393692461288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article, we describe the algorithms for causal structure learning
from time series data that won the Causality 4 Climate competition at the
Conference on Neural Information Processing Systems 2019 (NeurIPS). We examine
how our combination of established ideas achieves competitive performance on
semi-realistic and realistic time series data exhibiting common challenges in
real-world Earth sciences data. In particular, we discuss a) a rationale for
leveraging linear methods to identify causal links in non-linear systems, b) a
simulation-backed explanation as to why large regression coefficients may
predict causal links better in practice than small p-values and thus why
normalising the data may sometimes hinder causal structure learning.
For benchmark usage, we detail the algorithms here and provide
implementations at https://github.com/sweichwald/tidybench . We propose the
presented competition-proven methods for baseline benchmark comparisons to
guide the development of novel algorithms for structure learning from time
series.
- Abstract(参考訳): 本稿では,2019年神経情報処理システム会議(neurips)におけるcausality 4気候コンペティションで優勝した時系列データから,因果構造学習のためのアルゴリズムについて述べる。
確立されたアイデアの組み合わせが,実世界の地球科学データに共通する課題を示す半現実的かつ現実的な時系列データにおいて,どのように競争性能を達成するかを検討する。
特に私たちは
a) 非線形システムにおける因果関係を特定するための線形方法を活用するための根拠
b) 大きな回帰係数が小さなp値よりも実際に因果関係を予測できる理由と、データの正規化が因果構造学習を阻害することがある理由に関するシミュレーションによる説明
ベンチマークの使い方については、ここでアルゴリズムを詳述し、https://github.com/sweichwald/tidybench で実装します。
本稿では,時系列からの構造学習のための新しいアルゴリズムの開発を導くために,基準ベンチマーク比較のためのコンペティション提案手法を提案する。
関連論文リスト
- 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 [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - CausalTime: Realistically Generated Time-series for Benchmarking of
Causal Discovery [14.092834149864514]
本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。
パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。
実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
論文 参考訳(メタデータ) (2023-10-03T02:29:19Z) - CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
時系列データからの因果発見は、機械学習における中心的なタスクである。
本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。
提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
論文 参考訳(メタデータ) (2023-02-15T04:16:34Z) - NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。
構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
論文 参考訳(メタデータ) (2023-01-04T23:28:18Z) - Federated Latent Class Regression for Hierarchical Data [5.110894308882439]
フェデレートラーニング(FL)は、多くのエージェントがローカルに保存されたデータを開示することなく、グローバル機械学習モデルのトレーニングに参加することを可能にする。
本稿では,新しい確率モデルである階層潜在クラス回帰(HLCR)を提案し,フェデレートラーニング(FEDHLCR)への拡張を提案する。
我々の推論アルゴリズムはベイズ理論から派生したもので、強い収束保証と過剰適合性を提供する。実験結果から、FEDHLCRは非IIDデータセットにおいても高速収束を提供することが示された。
論文 参考訳(メタデータ) (2022-06-22T00:33:04Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - Learning ODE Models with Qualitative Structure Using Gaussian Processes [0.6882042556551611]
多くのコンテキストにおいて、明示的なデータ収集は高価であり、学習アルゴリズムはデータ効率が良くなければならない。
スパースガウス過程を用いて微分方程式のベクトル場を学習する手法を提案する。
この組み合わせにより,外挿性能と長期的挙動が大幅に向上し,計算コストの低減が図られる。
論文 参考訳(メタデータ) (2020-11-10T19:34:07Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳(メタデータ) (2020-10-23T11:18:20Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z)
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。