論文の概要: The statistical physics of discovering exogenous and endogenous factors
in a chain of events
- arxiv url: http://arxiv.org/abs/2003.00659v1
- Date: Mon, 2 Mar 2020 04:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 05:43:16.995229
- Title: The statistical physics of discovering exogenous and endogenous factors
in a chain of events
- Title(参考訳): 事象連鎖における外因性および内因性因子の発見に関する統計物理学
- Authors: Shinsuke Koyama and Shigeru Shinomoto
- Abstract要約: 本研究では,一連の事象発生時間から外生的・内生的要因を推定する手法を開発した。
この分析は、不均一なポアソン過程とホークス過程を組み合わせたモデルを用いて行われる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event occurrence is not only subject to the environmental changes, but is
also facilitated by the events that have occurred in a system. Here, we develop
a method for estimating such extrinsic and intrinsic factors from a single
series of event-occurrence times. The analysis is performed using a model that
combines the inhomogeneous Poisson process and the Hawkes process, which
represent exogenous fluctuations and endogenous chain-reaction mechanisms,
respectively. The model is fit to a given dataset by minimizing the free
energy, for which statistical physics and a path-integral method are utilized.
Because the process of event occurrence is stochastic, parameter estimation is
inevitably accompanied by errors, and it can ultimately occur that exogenous
and endogenous factors cannot be captured even with the best estimator. We
obtained four regimes categorized according to whether respective factors are
detected. By applying the analytical method to real time series of debate in a
social-networking service, we have observed that the estimated exogenous and
endogenous factors are close to the first comments and the follow-up comments,
respectively. This method is general and applicable to a variety of data, and
we have provided an application program, by which anyone can analyze any series
of event times.
- Abstract(参考訳): 事象の発生は環境変化の対象となるだけでなく、システム内で発生した事象によっても促進される。
本稿では,一連の事象発生時間から,そのような外生的・内生的要因を推定する手法を開発した。
この分析は、不均一なポアソン過程と、それぞれ外因性変動と内因性連鎖反応機構を表すホークス過程を組み合わせたモデルを用いて行われる。
このモデルは、統計物理学と経路積分法を利用する自由エネルギーを最小化することで与えられたデータセットに適合する。
事象発生の過程は確率的であるため、パラメータ推定は必然的にエラーを伴い、究極的には外因性および内因性因子は最適な推定器でも捕捉できない。
それぞれの因子が検出されるかどうかによって分類された4つのレジームを得た。
ソーシャルネットワーキングサービスにおけるリアルタイムの議論に分析手法を適用し, 推定外因性因子と内因性因子がそれぞれ第1のコメントと後続のコメントに近接していることが観察された。
本手法は汎用的で,様々なデータに適用可能であり,任意のイベント時間を解析可能なアプリケーションプログラムを提供する。
関連論文リスト
- Logistic-beta processes for dependent random probabilities with beta marginals [58.91121576998588]
本稿では,ロジスティック・ベータプロセスと呼ばれる新しいプロセスを提案する。
空間や時間などの離散領域と連続領域の両方への依存をモデル化でき、相関カーネルを通じて柔軟な依存構造を持つ。
本研究は,非パラメトリック二分回帰と条件密度推定の例による効果をシミュレーション研究と妊娠結果応用の両方で説明する。
論文 参考訳(メタデータ) (2024-02-10T21:41:32Z) - Causal inference for the expected number of recurrent events in the
presence of a terminal event [0.0]
終端イベントの存在下での繰り返し事象の因果推論と効率的な推定について検討した。
絶対連続性の仮定は、障害、検閲、観察されたデータの基本的な確率分布についてなされない。
論文 参考訳(メタデータ) (2023-06-28T21:31:25Z) - Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。
既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
論文 参考訳(メタデータ) (2023-06-11T19:48:39Z) - Variational Neural Temporal Point Process [22.396329275957996]
時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。
推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。
我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
論文 参考訳(メタデータ) (2022-02-17T13:34:30Z) - Variance Minimization in the Wasserstein Space for Invariant Causal
Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。
これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。
我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文 参考訳(メタデータ) (2021-10-13T22:30:47Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳(メタデータ) (2021-07-21T14:22:14Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-07T10:14:18Z) - Counterfactual Inference of the Mean Outcome under a Convergence of
Average Logging Probability [5.596752018167751]
本稿では,適応実験で得られたサンプルから,アクションの平均結果を推定する。
適応実験では、過去の観測に基づいて行動を選択する確率を逐次更新することができる。
論文 参考訳(メタデータ) (2021-02-17T19:05:53Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z)
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。