論文の概要: Interpretable Models for Granger Causality Using Self-explaining Neural
Networks
- arxiv url: http://arxiv.org/abs/2101.07600v1
- Date: Tue, 19 Jan 2021 12:59:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 03:44:28.077252
- Title: Interpretable Models for Granger Causality Using Self-explaining Neural
Networks
- Title(参考訳): 自己説明ニューラルネットワークを用いたグレンジャー因果関係の解釈モデル
- Authors: Ri\v{c}ards Marcinkevi\v{c}s, Julia E. Vogt
- Abstract要約: 本論文では,自己記述型ニューラルネットワークの拡張に基づく非線形ダイナミクス下でのGranger因果関係を推定するための新しいフレームワークを提案する。
このフレームワークは、Granger因果関係を推測する他のニューラルネットワークベースのテクニックよりも解釈可能である。
- 参考スコア(独自算出の注目度): 4.56877715768796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exploratory analysis of time series data can yield a better understanding of
complex dynamical systems. Granger causality is a practical framework for
analysing interactions in sequential data, applied in a wide range of domains.
In this paper, we propose a novel framework for inferring multivariate Granger
causality under nonlinear dynamics based on an extension of self-explaining
neural networks. This framework is more interpretable than other
neural-network-based techniques for inferring Granger causality, since in
addition to relational inference, it also allows detecting signs of
Granger-causal effects and inspecting their variability over time. In
comprehensive experiments on simulated data, we show that our framework
performs on par with several powerful baseline methods at inferring Granger
causality and that it achieves better performance at inferring interaction
signs. The results suggest that our framework is a viable and more
interpretable alternative to sparse-input neural networks for inferring Granger
causality.
- Abstract(参考訳): 時系列データの探索解析は、複雑な力学系をよりよく理解することができる。
グランガー因果関係は、広範囲の領域に適用されたシーケンシャルデータにおける相互作用を分析するための実践的なフレームワークである。
本稿では,自己説明型ニューラルネットワークの拡張に基づく非線形力学下での多変量グランガー因果関係の推論手法を提案する。
このフレームワークは、リレーショナル推論に加えて、グランガー因果効果の兆候を検出し、時間とともに変動を検査できるため、他の神経ネットワークベースのグラガー因果関係を推定する技術よりも解釈可能である。
シミュレーションデータに関する包括的実験において,我々のフレームワークはグランガー因果関係を推定するいくつかの強力なベースライン手法と同等の性能を発揮し,対話符号を推定する性能が向上することを示した。
その結果,我々のフレームワークは,グラガー因果関係を推定するためのスパースインプットニューラルネットワークの代替として,より有効かつ解釈可能なものであることが示唆された。
- 全文 参考訳へのリンク
関連論文リスト
- 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) - 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) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳(メタデータ) (2022-01-28T09:30:32Z) - 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) - Learning interaction rules from multi-animal trajectories via augmented
behavioral models [8.747278400158718]
グランガー因果関係は観測された時系列データから相互作用を分析するための実践的なフレームワークである。
この枠組みは動物行動における生成過程の構造を無視している。
マルチアニマル軌道からグラガー因果関係を学習するための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-07-12T11:33:56Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - 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) - A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。
本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。
そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
論文 参考訳(メタデータ) (2021-03-01T15:55:58Z) - Stochastic Aggregation in Graph Neural Networks [9.551282469099887]
グラフニューラルネットワーク(GNN)は、過スムージングおよび限られた電力識別を含む病理を発現する。
GNNsにおける集約のための統合フレームワーク(STAG)を提案する。そこでは、近隣からの集約プロセスにノイズが(適応的に)注入され、ノード埋め込みを形成する。
論文 参考訳(メタデータ) (2021-02-25T02:52:03Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z)
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。