論文の概要: Causal Inference for Time series Analysis: Problems, Methods and
Evaluation
- arxiv url: http://arxiv.org/abs/2102.05829v1
- Date: Thu, 11 Feb 2021 03:26:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:22:32.892466
- Title: Causal Inference for Time series Analysis: Problems, Methods and
Evaluation
- Title（参考訳）: 時系列分析のための因果推論:問題,方法,評価
- Authors: Raha Moraffah, Paras Sheth, Mansooreh Karami, Anchit Bhattacharya,
Qianru Wang, Anique Tahir, Adrienne Raglin, Huan Liu
- Abstract要約: 時系列データ(英: Time series data)は、医学や金融などの分野によって生成される時系列観測の集合である。
本稿では,時系列データに対する治療効果推定と因果探索という2つの因果推論タスクに着目した。
- 参考スコア（独自算出の注目度）: 11.925605453634638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series data is a collection of chronological observations which is
generated by several domains such as medical and financial fields. Over the
years, different tasks such as classification, forecasting, and clustering have
been proposed to analyze this type of data. Time series data has been also used
to study the effect of interventions over time. Moreover, in many fields of
science, learning the causal structure of dynamic systems and time series data
is considered an interesting task which plays an important role in scientific
discoveries. Estimating the effect of an intervention and identifying the
causal relations from the data can be performed via causal inference. Existing
surveys on time series discuss traditional tasks such as classification and
forecasting or explain the details of the approaches proposed to solve a
specific task. In this paper, we focus on two causal inference tasks, i.e.,
treatment effect estimation and causal discovery for time series data, and
provide a comprehensive review of the approaches in each task. Furthermore, we
curate a list of commonly used evaluation metrics and datasets for each task
and provide in-depth insight. These metrics and datasets can serve as
benchmarks for research in the field.
- Abstract（参考訳）: 時系列データは、医学や金融などのいくつかの領域によって生成される時系列観測のコレクションです。
長年にわたり、この種のデータを分析するために分類、予測、クラスタリングといった様々なタスクが提案されてきた。
時系列データは、時間とともに介入の効果を研究するためにも用いられる。
さらに、多くの科学分野では、動的システムと時系列データの因果構造を学ぶことは、科学的な発見において重要な役割を果たす興味深いタスクと考えられている。
介入の効果を推定し、データから因果関係を識別することは因果推論によって行うことができる。
時系列の既存の調査では、分類や予測などの伝統的なタスクについて議論したり、特定のタスクを解決するために提案されたアプローチの詳細を説明したりします。
本稿では,時系列データに対する処理効果推定と因果発見という2つの因果推論タスクに注目し,各タスクにおけるアプローチの総合的なレビューを行う。
さらに、各タスクでよく使われる評価指標とデータセットのリストをキュレートし、詳細な洞察を提供する。
これらのメトリクスとデータセットは、この分野の研究のベンチマークとして役立ちます。
関連論文リスト
- A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。
我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。
本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文 参考訳（メタデータ） (2024-04-29T17:19:40Z) - Review of Data-centric Time Series Analysis from Sample, Feature, and Period [37.33135447969283]
優れた時系列データセットは、モデルの正確性、堅牢性、収束性に有利である。
データ中心AIの出現は、モデルの改良からデータ品質の優先順位付けへの展望の変化を表している。
時系列分析において,様々なデータ中心の手法を体系的に検討し,幅広い研究トピックを取り上げている。
論文 参考訳（メタデータ） (2024-04-24T00:34:44Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳（メタデータ） (2023-10-16T09:06:00Z) - An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。
我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
論文 参考訳（メタデータ） (2023-06-01T15:08:22Z) - A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。
本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
論文 参考訳（メタデータ） (2023-03-27T09:21:41Z) - Causal Discovery from Temporal Data: An Overview and New Perspectives [6.251443497694126]
時間データの分析は、様々なアプリケーションに非常に有用である。
因果的発見 時間的データから因果関係を 学ぶことは 興味深いが 重要な課題だ
本稿では,2つのカテゴリ間の相関関係を定義し,既存のソリューションの体系的概要を提供する。
論文 参考訳（メタデータ） (2023-03-17T16:45:01Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。
我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。
ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文 参考訳（メタデータ） (2021-10-11T13:33:18Z) - Through the Data Management Lens: Experimental Analysis and Evaluation
of Fair Classification [75.49600684537117]
データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。
我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。
我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
論文 参考訳（メタデータ） (2021-01-18T22:55:40Z) - Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。
時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。
ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文 参考訳（メタデータ） (2020-10-01T17:38:40Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳（メタデータ） (2020-02-05T21:35:29Z)
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。