論文の概要: High-recall causal discovery for autocorrelated time series with latent
confounders
- arxiv url: http://arxiv.org/abs/2007.01884v3
- Date: Mon, 1 Feb 2021 19:00:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 05:00:58.615370
- Title: High-recall causal discovery for autocorrelated time series with latent
confounders
- Title(参考訳): 潜在共同設立者による自己相関時系列のハイリコール因果発見
- Authors: Andreas Gerhardus and Jakob Runge
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 12.995632804090198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new method for linear and nonlinear, lagged and contemporaneous
constraint-based causal discovery from observational time series in the
presence of latent confounders. We show that existing causal discovery methods
such as FCI and variants suffer from low recall in the autocorrelated time
series case and identify low effect size of conditional independence tests as
the main reason. Information-theoretical arguments show that effect size can
often be increased if causal parents are included in the conditioning sets. To
identify parents early on, we suggest an iterative procedure that utilizes
novel orientation rules to determine ancestral relationships already during the
edge removal phase. We prove that the method is order-independent, and sound
and complete in the oracle case. Extensive simulation studies for different
numbers of variables, time lags, sample sizes, and further cases demonstrate
that our method indeed achieves much higher recall than existing methods for
the case of autocorrelated continuous variables while keeping false positives
at the desired level. This performance gain grows with stronger
autocorrelation. At https://github.com/jakobrunge/tigramite we provide Python
code for all methods involved in the simulation studies.
- Abstract(参考訳): そこで本論文では,線形・非線形・ラグランジュ・コンテンポラリー・因果関係を時系列観測から発見する新しい手法を提案する。
fciや変種のような既存の因果発見法では,自己相関型時系列の場合のリコールが低く,条件付き独立テストの効果が低かったことが主な原因である。
情報理論の議論は、因果関係の親が条件セットに含まれる場合、効果の大きさを増大させることができることを示している。
早期に親を識別するために,新たな配向規則を用いて,すでにエッジ除去段階にある祖先関係を判定する反復手順を提案する。
本手法は順序非依存であり,オラクルの場合において完全かつ完全であることを示す。
異なる変数数,時間ラグ,サンプルサイズ,さらに詳細なシミュレーション研究を行い,偽陽性を所望のレベルに保ちながら,自己相関連続変数の場合の既存の手法よりもはるかに高いリコールを実現することを実証した。
この性能はより強い自己相関によって向上する。
https://github.com/jakobrunge/tigramiteでは、シミュレーション研究に関わるすべてのメソッドにpythonコードを提供しています。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-24T08:08:05Z) - AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。
具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。
これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
論文 参考訳(メタデータ) (2024-03-06T15:06:11Z) - 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) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳(メタデータ) (2023-10-17T08:04:45Z) - 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) - CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary
Time Series Data [5.130175508025212]
因果発見は、人間の健康に関する実用的な洞察を抽出する上で重要な役割を果たす可能性がある。
本稿では,制約に基づく新たな因果探索手法を提案する。
提案手法では,時間とともに変化するモジュールの変化とともに,タグ付き・即時/同時因果関係を同定する。
論文 参考訳(メタデータ) (2023-02-07T04:13:48Z) - Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳(メタデータ) (2022-12-14T18:08:42Z) - Rhino: Deep Causal Temporal Relationship Learning With History-dependent
Noise [13.709618907099783]
我々はRhinoと呼ばれる時系列データのための新しい因果関係学習フレームワークを提案する。
Rhinoはベクトル自己回帰、深層学習、変分推論を組み合わせて、瞬時効果と非線形関係をモデル化する。
理論的には、Rhinoの構造的識別可能性を証明する。
論文 参考訳(メタデータ) (2022-10-26T13:33:58Z) - Causal discovery under a confounder blanket [9.196779204457059]
観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。
これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。
これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
論文 参考訳(メタデータ) (2022-05-11T18:10:45Z) - Causal Discovery from Conditionally Stationary Time Series [18.645887749731923]
State-Dependent Causal Inference (SDCI)は根底にある因果関係を回復することができる。
NBA選手の動きをモデル化した非因果RNNよりも改善した結果,本手法の可能性が示された。
論文 参考訳(メタデータ) (2021-10-12T18:12:57Z) - Discovering contemporaneous and lagged causal relations in
autocorrelated nonlinear time series datasets [9.949781365631557]
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。
論文 参考訳(メタデータ) (2020-03-07T23:33:34Z)
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。