論文の概要: Visual Causality Analysis of Event Sequence Data

• arxiv url: http://arxiv.org/abs/2009.00219v1
• Date: Tue, 1 Sep 2020 04:28:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 01:36:08.413487
• Title: Visual Causality Analysis of Event Sequence Data
• Title（参考訳）: イベントシーケンスデータの視覚的因果分析
• Authors: Zhuochen Jin, Shunan Guo, Nan Chen, Daniel Weiskopf, David Gotz, Nan Cao
• Abstract要約: イベントシーケンスデータの因果関係を復元する視覚解析手法を提案する。 我々は,Hawkesプロセス上のGranger因果解析アルゴリズムを拡張し,ユーザフィードバックを因果モデルの改良に組み込む。
• 参考スコア（独自算出の注目度）: 32.74361488457415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causality is crucial to understanding the mechanisms behind complex systems and making decisions that lead to intended outcomes. Event sequence data is widely collected from many real-world processes, such as electronic health records, web clickstreams, and financial transactions, which transmit a great deal of information reflecting the causal relations among event types. Unfortunately, recovering causalities from observational event sequences is challenging, as the heterogeneous and high-dimensional event variables are often connected to rather complex underlying event excitation mechanisms that are hard to infer from limited observations. Many existing automated causal analysis techniques suffer from poor explainability and fail to include an adequate amount of human knowledge. In this paper, we introduce a visual analytics method for recovering causalities in event sequence data. We extend the Granger causality analysis algorithm on Hawkes processes to incorporate user feedback into causal model refinement. The visualization system includes an interactive causal analysis framework that supports bottom-up causal exploration, iterative causal verification and refinement, and causal comparison through a set of novel visualizations and interactions. We report two forms of evaluation: a quantitative evaluation of the model improvements resulting from the user-feedback mechanism, and a qualitative evaluation through case studies in different application domains to demonstrate the usefulness of the system.
• Abstract（参考訳）: 因果性は複雑なシステムの背後にあるメカニズムを理解し、意図した結果につながる意思決定に不可欠である。 イベントシーケンスデータは、電子健康記録、Webクリックストリーム、金融取引など、多くの現実世界のプロセスから広く収集され、イベントタイプ間の因果関係を反映した大量の情報を送信する。 残念なことに、観測された事象列から因果関係を回復することは困難であり、不均一かつ高次元の事象変数は、限られた観測から推測しにくい、かなり複雑な事象励起機構としばしば結びついている。 多くの既存の自動因果解析技術は説明性に乏しく、十分な量の人間の知識を含まない。 本稿では,イベントシーケンスデータの因果関係を視覚的に解析する手法を提案する。 我々は,Hawkesプロセス上のGranger因果解析アルゴリズムを拡張し,ユーザフィードバックを因果モデルの改良に組み込む。 この可視化システムは、ボトムアップ因果探索、反復因果検証と精細化、および新しい視覚化と相互作用のセットによる因果比較をサポートする対話型因果分析フレームワークを含む。 システムの有用性を示すために,ユーザフィードバック機構によるモデル改善の定量的評価と,異なるアプリケーション領域におけるケーススタディによる質的評価の2つの形態を報告した。

関連論文リスト

• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• 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)
• Targeted Reduction of Causal Models [55.11778726095353]
  因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。 本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。 複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
  論文  参考訳（メタデータ） (2023-11-30T15:46:22Z)
• Quantify the Causes of Causal Emergence: Critical Conditions of Uncertainty and Asymmetry in Causal Structure [0.5372002358734439]
  統計的および情報理論に基づく因果関係の調査は、大規模モデルに興味深い、価値のある課題を提起している。 本稿では,その発生の理論的制約として,因果関係の数値的条件を評価するための枠組みを提案する。
  論文  参考訳（メタデータ） (2022-12-03T06:35:54Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• VAC2: Visual Analysis of Combined Causality in Event Sequences [6.145427901944597]
  我々は,複合原因と個別原因の探索を支援するために,複合因果解析システムを開発した。 この対話システムは多段階因果探索をサポートし,多様な順序付け戦略と焦点とコンテキスト技術を備える。 本システムの有用性と有効性は,パイロットユーザによる研究と,イベントシーケンスデータに関する2つのケーススタディによってさらに評価される。
  論文  参考訳（メタデータ） (2022-06-11T04:53:23Z)
• Generalizable Information Theoretic Causal Representation [37.54158138447033]
  本稿では,観測データから因果表現を学習するために,仮説因果グラフに基づいて相互情報量で学習手順を規則化することを提案する。 この最適化は、因果性に着想を得た学習がサンプルの複雑さを減らし、一般化能力を向上させるという理論的保証を導出する反ファクト的損失を伴う。
  論文  参考訳（メタデータ） (2022-02-17T00:38:35Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)
• Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
  因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。 ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-15T14:28:21Z)

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。