論文の概要: Dynamic Window-level Granger Causality of Multi-channel Time Series

• arxiv url: http://arxiv.org/abs/2006.07788v1
• Date: Sun, 14 Jun 2020 03:53:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 12:40:40.813626
• Title: Dynamic Window-level Granger Causality of Multi-channel Time Series
• Title（参考訳）: 多チャンネル時系列の動的ウィンドウレベルグランガー因果関係
• Authors: Zhiheng Zhang, Wenbo Hu, Tian Tian, Jun Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.302491046127443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Granger causality method analyzes the time series causalities without building a complex causality graph. However, the traditional Granger causality method assumes that the causalities lie between time series channels and remain constant, which cannot model the real-world time series data with dynamic causalities along the time series channels. In this paper, we present the dynamic window-level Granger causality method (DWGC) for multi-channel time series data. We build the causality model on the window-level by doing the F-test with the forecasting errors on the sliding windows. We propose the causality indexing trick in our DWGC method to reweight the original time series data. Essentially, the causality indexing is to decrease the auto-correlation and increase the cross-correlation causal effects, which improves the DWGC method. Theoretical analysis and experimental results on two synthetic and one real-world datasets show that the improved DWGC method with causality indexing better detects the window-level causalities.
• Abstract（参考訳）: グランガー因果関係法は複雑な因果関係グラフを構築することなく時系列因果関係を解析する。 しかし、従来のグランジャー因果関係法は、因果関係が時系列チャネル間にあると仮定しており、時系列チャネルに沿って動的因果関係を持つ現実世界の時系列データをモデル化できない。 本稿では,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レンジャー因果関係法(DWGC)を提案する。 我々は,スライディングウインドウの予測誤差を用いてfテストを行うことで,ウィンドウレベルで因果モデルを構築する。 そこで本研究では,dwgc法における因果性指標化手法を提案する。 本質的に因果性指標は自己相関を減少させ、相互相関因果効果を増加させ、dwgc法を改善することである。 2つの合成および1つの実世界のデータセットに関する理論的解析と実験結果から、因果インデックス付き改良DWGC法は、ウィンドウレベルの因果性をよりよく検出することを示した。

関連論文リスト

• CausalFormer: An Interpretable Transformer for Temporal Causal Discovery [24.608536564444137]
  本稿では、CausalFormerと呼ばれる、解釈可能なトランスフォーマーに基づく因果探索モデルを提案する。 因果対応変換器は、予測タスクを用いて時系列データの因果表現を学習する。 分解に基づく因果検出器は、訓練された因果変換器のグローバル構造を解釈する。
  論文  参考訳（メタデータ） (2024-06-24T15:09:29Z)
• Bayesian Vector AutoRegression with Factorised Granger-Causal Graphs [10.030023978159978]
  本研究では,観測時系列データからGranger因果関係を自動的に検出する問題について検討する。 本稿では,二元的グランガー因果グラフ上の事前分布を階層的に分解した新しいベイズVARモデルを提案する。 我々は,2進グランガー因果グラフの後方推定を効率的に行うアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-06T01:01:23Z)
• Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.402342914903391]
  本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。 CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。 CGADは、15%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-12-15T01:35:00Z)
• 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)
• 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)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)
• Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis [7.627597166844701]
  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。
  論文  参考訳（メタデータ） (2020-02-01T14:03:01Z)

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。