Fugu-MT 論文翻訳(概要): Local Granger Causality

論文の概要: Local Granger Causality

arxiv url: http://arxiv.org/abs/2010.13833v1
Date: Mon, 26 Oct 2020 18:38:57 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 19:58:01.714252
Title: Local Granger Causality
Title（参考訳）: 局所グランガー因果関係
Authors: Sebastiano Stramaglia, Tomas Scagliarini, Yuri Antonacci, Luca Faes
Abstract要約: ガウス過程における「局所的グランガー因果関係」、すなわち各離散時点における情報伝達のプロファイルを正確に計算する。我々の手法は線形過程の時間的履歴に沿った情報伝達に頑健で高速な手法を提供する。
参考スコア（独自算出の注目度）: 0.43012765978447565
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Granger causality is a statistical notion of causal influence based on prediction via vector autoregression. For Gaussian variables it is equivalent to transfer entropy, an information-theoretic measure of time-directed information transfer between jointly dependent processes. We exploit such equivalence and calculate exactly the 'local Granger causality', i.e. the profile of the information transfer at each discrete time point in Gaussian processes; in this frame Granger causality is the average of its local version. Our approach offers a robust and computationally fast method to follow the information transfer along the time history of linear stochastic processes, as well as of nonlinear complex systems studied in the Gaussian approximation.
Abstract（参考訳）: グランジャー因果関係はベクトル自己回帰による予測に基づく因果影響の統計的概念である。ガウス変数は、共同依存プロセス間の時間指向情報伝達の情報理論測度である転送エントロピーと等価である。このような等価性を利用して、ガウス過程における各離散時間点における情報伝達のプロファイルを正確に'局所グランガー因果性'を計算する。本手法は,線形確率過程の時間履歴とガウス近似で研究された非線形複素系に沿って情報伝達を行うためのロバストで計算速度の速い手法を提供する。

関連論文リスト

Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文参考訳（メタデータ） (2024-02-27T15:08:57Z)
Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
論文参考訳（メタデータ） (2024-02-01T14:39:59Z)
Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文参考訳（メタデータ） (2023-06-27T08:15:28Z)
Bayesian Renormalization [68.8204255655161]
ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
論文参考訳（メタデータ） (2023-05-17T18:00:28Z)
Fisher information of correlated stochastic processes [0.0]
メモリフルプロセスで符号化されたパラメータの推定に関する2つの結果を示す。まず、有限マルコフ順序の過程に対して、フィッシャー情報は結果の個数において常に線型であることを示す。第二に、相関が必ずしもメートル法精度を高めるとは限らないことを適切な例で証明する。
論文参考訳（メタデータ） (2022-06-01T12:51:55Z)
Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
ガウスのプロセスはデータセットのサイズとともに違法にスケールする。多くの近似法が開発されており、必然的に近似誤差を導入している。この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
論文参考訳（メタデータ） (2022-05-30T22:16:25Z)
Jacobian Granger Causal Neural Networks for Analysis of Stationary and Nonstationary Data [19.347558051611827]
本稿では,変数重要度尺度としてヤコビアンを用いた神経ネットワークによるグランガー因果性へのアプローチを提案する。結果として得られるアプローチは、グランガー因果変数を識別する他のアプローチと比較して一貫してうまく機能する。
論文参考訳（メタデータ） (2022-05-19T14:07:54Z)
Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文参考訳（メタデータ） (2022-04-07T17:59:19Z)
Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
論文参考訳（メタデータ） (2021-03-19T09:50:53Z)
Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文参考訳（メタデータ） (2020-06-16T18:43:31Z)
SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。