論文の概要: Granger Causality: A Review and Recent Advances

• arxiv url: http://arxiv.org/abs/2105.02675v1
• Date: Wed, 5 May 2021 17:37:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 13:34:26.736657
• Title: Granger Causality: A Review and Recent Advances
• Title（参考訳）: Granger Causality: レビューと最近の進歩
• Authors: Ali Shojaie and Emily B. Fox
• Abstract要約: グランガー因果関係は時系列データを解析するための一般的なツールとなっている。 時系列間の因果関係を推測するこの概念の妥当性は、継続的な議論の対象となっている。
• 参考スコア（独自算出の注目度）: 10.66048003460524
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Introduced more than a half century ago, Granger causality has become a popular tool for analyzing time series data in many application domains, from economics and finance to genomics and neuroscience. Despite this popularity, the validity of this notion for inferring causal relationships among time series has remained the topic of continuous debate. Moreover, while the original definition was general, limitations in computational tools have primarily limited the applications of Granger causality to simple bivariate vector auto-regressive processes consisting. Starting with a review of early developments and debates, this paper discusses recent advances that address various shortcomings of the earlier approaches, from models for high-dimensional time series to more recent developments that account for nonlinear and non-Gaussian observations and allow for sub-sampled and mixed frequency time series.
• Abstract（参考訳）: 半世紀以上前に導入されたGranger causalityは、経済学や金融学、ゲノム学、神経科学など、多くのアプリケーション領域で時系列データを分析するための一般的なツールとなっている。 この人気にもかかわらず、時系列間の因果関係を推測するこの概念の有効性は継続的な議論の対象となっている。 さらに、元々の定義は一般的であったが、計算ツールの限界は、グランジャー因果関係の応用を、単純二変量ベクトル自己回帰過程に限定している。 本稿では,初期の発展と議論のレビューから,高次元時系列モデルから非線形・非ガウシアン観測を考慮し,サブサンプリング・混合周波数時系列を可能にする最近の発展まで,初期のアプローチの様々な欠点を扱った最近の進歩について述べる。

関連論文リスト

• Exploring Neural Granger Causality with xLSTMs: Unveiling Temporal Dependencies in Complex Data [20.773694998061707]
  時系列における因果関係は、特に非線形依存の存在下では決定が難しい。 本稿では,変数間の長距離関係を捉えるために,Granger causal xLSTM(GC-xLSTM)を提案する。 提案したGC-xLSTMモデルの総合的有効性を示す3つのデータセットに関する実験的検討を行った。
  論文  参考訳（メタデータ） (2025-02-14T08:07:03Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 グラフ深層学習演算子に基づく新しい共形予測手法を導入することにより,この空白を埋める。 我々のアプローチは、関連するベンチマークにおいて、正確なカバレッジを提供し、最先端の不確実性定量化をアーカイブする。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• Granger Causality in Extremes [0.0]
  時系列における極端な事象から因果関係を特定するための厳密な枠組みを導入する。 本フレームワークは, 因果尾係数を利用して, 主に極端な事象から因果関係を推定するように設計されている。 また,データから極端にグランガー因果性が存在することを検出する新しい推論手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T18:41:07Z)
• 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)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• 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)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
  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。
  論文  参考訳（メタデータ） (2021-02-10T07:48:00Z)
• Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis [7.627597166844701]
  固定時間遅延の仮定を緩和する可変ラグ・グランガー因果関係と可変ラグ・トランスファー・エントロピーを開発する。 提案手法では,動的時間ワープ(DTW)の最適ワープパスを用いて,変動ラグ因果関係を推定する。 我々の手法は時系列解析のあらゆる領域に適用できる。
  論文  参考訳（メタデータ） (2020-02-01T14:03:01Z)

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。