論文の概要: Neural Additive Vector Autoregression Models for Causal Discovery in Time Series

• arxiv url: http://arxiv.org/abs/2010.09429v2
• Date: Mon, 18 Oct 2021 08:39:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 22:34:20.133744
• Title: Neural Additive Vector Autoregression Models for Causal Discovery in Time Series
• Title（参考訳）: 時系列因果発見のための神経添加ベクター自己回帰モデル
• Authors: Bart Bussmann, Jannes Nys, Steven Latr\'e
• Abstract要約: 本稿では,非線型関係を発見できる因果構造学習へのニューラルアプローチを提案する。 時系列の時間進化から(付加的な)グランガー因果関係を抽出するディープニューラルネットワークを訓練する。 この手法は、因果探索のための様々なベンチマークデータセットに対して最先端の結果を得る。
• 参考スコア（独自算出の注目度）: 1.160208922584163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal structure discovery in complex dynamical systems is an important challenge for many scientific domains. Although data from (interventional) experiments is usually limited, large amounts of observational time series data sets are usually available. Current methods that learn causal structure from time series often assume linear relationships. Hence, they may fail in realistic settings that contain nonlinear relations between the variables. We propose Neural Additive Vector Autoregression (NAVAR) models, a neural approach to causal structure learning that can discover nonlinear relationships. We train deep neural networks that extract the (additive) Granger causal influences from the time evolution in multi-variate time series. The method achieves state-of-the-art results on various benchmark data sets for causal discovery, while providing clear interpretations of the mapped causal relations.
• Abstract（参考訳）: 複雑な力学系における因果構造発見は多くの科学的領域において重要な課題である。 通常、(インターベンショナルな)実験のデータは限られているが、多くの観測時系列データセットが利用可能である。 時系列から因果構造を学ぶ現在の方法は、しばしば線形関係を仮定する。 したがって、変数間の非線形関係を含む現実的な設定では失敗する可能性がある。 非線形関係を発見できる因果構造学習のためのニューラルネットワークであるニューラル加算ベクトル自己回帰(NAVAR)モデルを提案する。 多変量時系列の時間発展から(付加的な)グランガー因果的影響を抽出するディープニューラルネットワークを訓練する。 本手法は、因果関係の明確な解釈を提供しながら、因果探索のための様々なベンチマークデータセットの最先端結果を実現する。

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)
• Embracing the black box: Heading towards foundation models for causal discovery from time series data [8.073449277052495]
  因果事前学習(Causal Pretraining)は、時系列から根底にある因果グラフへの直接マッピングを教師付きで学習することを目的とした方法論である。 我々の経験から,トレーニングとテスト時系列のサンプルがそれらのダイナミクスの大部分を共有していると仮定して,教師付き方法で因果発見が可能であることが示唆された。 因果的に事前学習されたニューラルネットワークを用いた実世界のデータに対する因果発見が限界の範囲内で可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T16:49:13Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Pay Attention to Evolution: Time Series Forecasting with Deep Graph-Evolution Learning [33.79957892029931]
  本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。 Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。 多数のアンサンブル法と古典統計法との比較を行った。
  論文  参考訳（メタデータ） (2020-08-28T20:10:07Z)
• 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)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。