論文の概要: Inductive Granger Causal Modeling for Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2102.05298v1
• Date: Wed, 10 Feb 2021 07:48:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-11 14:45:27.954053
• Title: Inductive Granger Causal Modeling for Multivariate Time Series
• Title（参考訳）: 多変量時系列のインダクティブ・グランガー因果モデリング
• Authors: Yunfei Chu, Xiaowei Wang, Jianxin Ma, Kunyang Jia, Jingren Zhou, Hongxia Yang
• Abstract要約: Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。 特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。 このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
• 参考スコア（独自算出の注目度）: 49.29373497269468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Granger causal modeling is an emerging topic that can uncover Granger causal relationship behind multivariate time series data. In many real-world systems, it is common to encounter a large amount of multivariate time series data collected from different individuals with sharing commonalities. However, there are ongoing concerns regarding Granger causality's applicability in such large scale complex scenarios, presenting both challenges and opportunities for Granger causal structure reconstruction. Existing methods usually train a distinct model for each individual, suffering from inefficiency and over-fitting issues. To bridge this gap, we propose an Inductive GRanger cAusal modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection on multivariate time series, which exploits the shared commonalities underlying the different individuals. In particular, we train one global model for individuals with different Granger causal structures through a novel attention mechanism, called prototypical Granger causal attention. The model can detect common causal structures for different individuals and infer Granger causal structures for newly arrived individuals. Extensive experiments, as well as an online A/B test on an E-commercial advertising platform, demonstrate the superior performances of InGRA.
• Abstract（参考訳）: グランジャー因果関係モデリングは、多変量時系列データの背後にあるグランガー因果関係を明らかにすることができる新しいトピックである。 多くの実世界のシステムでは、異なる個人から収集された多変量時系列データと共通点を共有することが一般的である。 しかし、このような大規模複雑なシナリオにおけるGranger因果関係の適用性に関する懸念が進行中であり、Granger因果構造再構築の課題と機会が提示されている。 既存の手法は通常、非効率と過剰フィッティングの問題に苦しむ個人ごとに異なるモデルを訓練する。 このギャップを埋めるために,インダクティブ・グランジャー因果関係学習のためのインダクティブ・グラガーcAusalモデリング(InGRA)フレームワークを提案し,多変量時間系列上で共通因果構造を検出する。 特に,Granger因果構造が異なる個人に対して,プロトタイプGranger因果構造と呼ばれる新しい注意機構を用いて,グローバルモデル1つを訓練する。 このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。 広範な実験、および電子商業広告プラットフォーム上のオンラインA/Bテストは、InGRAの優れたパフォーマンスを示しています。

関連論文リスト

• Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data [21.697069894721448]
  本研究では,Granger因果構造を推定し,異種干渉時系列データを活用することによって未知のターゲットを同定する理論的基礎的手法を提案する。 本手法は,介入時系列データからGranger因果構造を学習する上で,いくつかの頑健なベースライン法より優れている。
  論文  参考訳（メタデータ） (2024-06-14T21:36:00Z)
• Jacobian Regularizer-based Neural Granger Causality [45.902407376192656]
  本稿では,ヤコビアン正規化器を用いたニューラルグラガー因果性(JRNGC)アプローチを提案する。 提案手法は,入力出力ヤコビ行列正規化器を利用して重みの空間的制約を解消する。 提案手法は,現在最先端の手法を用いて,グラガー因果関係とフルタイムグラガー因果関係を学習する上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-05-14T17:13:50Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Studies [19.312260690210458]
  我々は「Granger and LeArning-based CausalIty Analysis for Longitudinal Studies」を意味するGLACIALを提案する。 GLACIALは個人を独立したサンプルとして扱い、ホールドアウト個体の平均予測精度を使用して因果関係の効果をテストする。 合成および実データに関する大規模な実験はGLACIALの有用性を実証している。
  論文  参考訳（メタデータ） (2022-10-13T23:42:13Z)
• 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)
• 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)
• 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)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)

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。