論文の概要: Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets

• arxiv url: http://arxiv.org/abs/2003.03685v2
• Date: Wed, 5 Jan 2022 22:02:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 19:41:50.199958
• Title: Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets
• Title（参考訳）: 自己相関非線形時系列データセットにおける同時・ラタグ因果関係の発見
• Authors: Jakob Runge
• Abstract要約: 本稿では,線形・非線形・ラグ・同時因果発見のための条件独立(CI)に基づく新しい手法を提案する。 既存のCIベースの手法は、強い自己相関のために低いリコールと部分的に膨らませられた偽陽性に悩まされている。 新規な手法であるPCMCI$+$はPCMCIを拡張し、同時リンクの発見を含む。
• 参考スコア（独自算出の注目度）: 9.949781365631557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper introduces a novel conditional independence (CI) based method for linear and nonlinear, lagged and contemporaneous causal discovery from observational time series in the causally sufficient case. Existing CI-based methods such as the PC algorithm and also common methods from other frameworks suffer from low recall and partially inflated false positives for strong autocorrelation which is an ubiquitous challenge in time series. The novel method, PCMCI$^+$, extends PCMCI [Runge et al., 2019b] to include discovery of contemporaneous links. PCMCI$^+$ improves the reliability of CI tests by optimizing the choice of conditioning sets and even benefits from autocorrelation. The method is order-independent and consistent in the oracle case. A broad range of numerical experiments demonstrates that PCMCI$^+$ has higher adjacency detection power and especially more contemporaneous orientation recall compared to other methods while better controlling false positives. Optimized conditioning sets also lead to much shorter runtimes than the PC algorithm. PCMCI$^+$ can be of considerable use in many real world application scenarios where often time resolutions are too coarse to resolve time delays and strong autocorrelation is present.
• Abstract（参考訳）: 本稿では, 線形, 非線形, 遅れ, 同時因果発見のための条件独立性(ci)に基づく新しい手法を提案する。 PCアルゴリズムのような既存のCIベースの手法や、他のフレームワークからの一般的な手法は、時系列においてユビキタスな課題である強い自己相関のための低いリコールと部分的に膨らんだ偽陽性に悩まされている。 新規手法であるPCMCI$^+$はPCMCI[Runge et al., 2019b]を拡張し、同時リンクの発見を含む。 PCMCI$^+$は、条件セットの選択を最適化することでCIテストの信頼性を向上する。 このメソッドは順序独立であり、oracleの場合一貫性がある。 広い範囲の数値実験により、pcmci$^+$は隣接検出力が高く、特に他の方法よりも同時期の方向記憶力が高く、偽陽性の制御が優れていることが示されている。 最適化条件セットはまた、PCアルゴリズムよりもはるかに短いランタイムをもたらす。 PCMCI$^+$は、時間遅延を解消するには時間解像度が大きすぎることが多く、強い自己相関が存在する多くの実世界のアプリケーションシナリオでかなり有効である。

関連論文リスト

• Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies [49.99600569996907]
  観測データに対して仮説化された因果モデルをテストすることは、多くの因果推論タスクにとって重要な前提条件である。 モデルは指数関数的に多くの条件付き独立関係(CI)を仮定できるが、これら全てをテストすることは実用的でなく不必要である。 隠れ変数を持つ因果グラフのc-LMPを導入し、これらのCIを多時間間隔でリストする遅延アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-09-22T21:05:56Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Bootstrap aggregation and confidence measures to improve time series causal discovery [0.0]
  本稿では,時間的依存関係とラグ構造を保存する時系列因果発見のための新しいブートストラップ手法を提案する。 我々は、この手法を、最先端の条件付き独立性に基づくアルゴリズムPCMCI+と組み合わせる。
  論文  参考訳（メタデータ） (2023-06-15T08:37:16Z)
• 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)
• eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract) [0.3314882635954752]
  自己相関および非定常時系列データ(eCDAN)に対する制約に基づくCD手法を提案する。 eCDANは、時間的変化とともに、タグ付きおよび同時因果関係を検出することができる。 合成データと実世界のデータの実験は、eCDANが時間の影響を識別し、ベースラインを上回ることを示した。
  論文  参考訳（メタデータ） (2023-03-06T01:59:45Z)
• Asymptotically Unbiased Instance-wise Regularized Partial AUC Optimization: Theory and Algorithm [101.44676036551537]
  One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。 既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。 本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
  論文  参考訳（メタデータ） (2022-10-08T08:26:22Z)
• Learning from time-dependent streaming data with online stochastic algorithms [7.283533791778357]
  本稿では,時間依存的,偏りのある推定値を用いたストリーミング環境での最適化について述べる。 グラディエントDescent(SGD)、ミニバッチSGD、時間変化のミニバッチSGD、およびPolyak-Ruppert平均値など、いくつかの一階法を解析する。
  論文  参考訳（メタデータ） (2022-05-25T07:53:51Z)
• Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
  ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。 DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。 有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
  論文  参考訳（メタデータ） (2021-02-23T18:56:13Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• High-recall causal discovery for autocorrelated time series with latent confounders [12.995632804090198]
  本稿では,FCIや変種などの既存の因果発見手法が,自己相関時系列の場合,低リコールに悩まされていることを示す。 シミュレーション研究に関わるすべてのメソッドに対してPythonコードを提供します。
  論文  参考訳（メタデータ） (2020-07-03T18:01:04Z)
• Independence Testing for Temporal Data [14.25244839642841]
  根本的な問題は、2つの時系列が関連しているかどうかである。 既存のアプローチには、パラメトリックな仮定に依存するような制限があることが多い。 本稿では,時間的データ間の独立性をテストするブロック置換を用いた時間的依存統計法を提案する。
  論文  参考訳（メタデータ） (2019-08-18T17:19:16Z)

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。