論文の概要: Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs
- arxiv url: http://arxiv.org/abs/2105.02522v1
- Date: Thu, 6 May 2021 08:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 13:34:56.303547
- Title: Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs
- Title(参考訳): ニューラルネットワークを用いた連続時間における機械因果発見の一貫性
- Authors: Alexis Bellot, Kim Branson and Mihaela van der Schaar
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 85.7910042199734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The discovery of causal mechanisms from time series data is a key problem in
fields working with complex systems. Most identifiability results and learning
algorithms assume the underlying dynamics to be discrete in time. Comparatively
few, in contrast, explicitly define causal associations in infinitesimal
intervals of time, independently of the scale of observation and of the
regularity of sampling. In this paper, we consider causal discovery in
continuous-time for the study of dynamical systems. We prove that for vector
fields parameterized in a large class of neural networks, adaptive
regularization schemes consistently recover causal graphs in systems of
ordinary differential equations (ODEs). Using this insight, we propose a causal
discovery algorithm based on penalized Neural ODEs that we show to be
applicable to the general setting of irregularly-sampled multivariate time
series and to strongly outperform the state of the art.
- Abstract(参考訳): 時系列データから因果機構の発見は、複雑なシステムを扱う分野において重要な問題である。
ほとんどの識別可能性の結果と学習アルゴリズムは、基礎となる力学が時間的に離散的であると仮定する。
対照的に、観測のスケールとサンプリングの正則性とは独立に、時間の無限小区間における因果関係を明確に定義するものは少ない。
本稿では,力学系の研究のために,連続時間における因果発見を考察する。
ニューラルネットワークでパラメータ化されたベクトル場に対して、適応正則化スキームは常微分方程式(ODE)系の因果グラフを一貫して復元する。
この知見を用いて,不規則にサンプリングされた多変量時系列の一般的な設定に適用可能であることを示すペナル化ニューラルネットワークによる因果探索アルゴリズムを提案する。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Castor: Causal Temporal Regime Structure Learning [58.79788281088465]
CASTOR(Castor)は,多種多様な時系列データから因果関係を学習するためのフレームワークである。
EMアルゴリズムによるスコア関数の気候を通じて、CASTORはレジームの数を推定し、各レジームにおける線形または非線形因果関係を学習する。
論文 参考訳(メタデータ) (2023-11-02T17:26:49Z) - 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) - 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) - HIFI: Anomaly Detection for Multivariate Time Series with High-order
Feature Interactions [7.016615391171876]
HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。
3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
論文 参考訳(メタデータ) (2021-06-11T04:57:03Z) - Neural Additive Vector Autoregression Models for Causal Discovery in
Time Series [1.160208922584163]
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。
論文 参考訳(メタデータ) (2020-10-19T12:44:25Z) - Learning Continuous-Time Dynamics by Stochastic Differential Networks [32.63114111531396]
変動微分ネットワーク(VSDN)という,フレキシブルな連続時間リカレントニューラルネットワークを提案する。
VSDNは神経微分方程式(SDE)による散発時間系列の複雑なダイナミクスを埋め込む
VSDNは最先端の継続的ディープラーニングモデルより優れており、散発時系列の予測やタスクにおいて優れた性能を発揮する。
論文 参考訳(メタデータ) (2020-06-11T01:40:34Z)
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。