Fugu-MT 論文翻訳(概要): Entropy-based Discovery of Summary Causal Graphs in Time Series

論文の概要: Entropy-based Discovery of Summary Causal Graphs in Time Series

arxiv url: http://arxiv.org/abs/2105.10381v1
Date: Fri, 21 May 2021 14:47:18 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:33:14.521928
Title: Entropy-based Discovery of Summary Causal Graphs in Time Series
Title（参考訳）: エントロピーに基づく時系列における概要因果グラフの発見
Authors: Karim Assaad, Emilie Devijver, Eric Gaussier, Ali Ait-Bachir
Abstract要約: まず、時系列のウィンドウベース表現に定義された新しい時間的相互情報尺度を提案する。次に、この尺度が確率的レイジング原理の特別な場合として見られるエントロピー還元原理とどのように関係しているかを示す。これら2つの成分をPCライクなアルゴリズムで組み合わせて要約因果グラフを構築する。
参考スコア（独自算出の注目度）: 6.633524353120579
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We address in this study the problem of learning a summary causal graph on time series with potentially different sampling rates. To do so, we first propose a new temporal mutual information measure defined on a window-based representation of time series. We then show how this measure relates to an entropy reduction principle that can be seen as a special case of the Probabilistic Raising Principle. We finally combine these two ingredients in a PC-like algorithm to construct the summary causal graph. This algorithm is evaluated on several datasets that shows both its efficacy and efficiency.
Abstract（参考訳）: 本研究では,サンプリング率の異なる時系列の要約因果グラフを学習する問題に対処する。そこで我々はまず,時系列のウィンドウベース表現に定義された時間的相互情報尺度を提案する。次に, この測度がエントロピー減少原理とどのように関係しているかを, 確率的上昇原理の特別な場合と見なすことができる。最終的にこれら2つの成分をPCライクなアルゴリズムで組み合わせて要約因果グラフを構築する。このアルゴリズムは、その有効性と効率の両方を示す複数のデータセットで評価される。

関連論文リスト

Causal Discovery in Semi-Stationary Time Series [32.424281626708336]
本研究では,観測時系列における因果関係を発見するための制約に基づく非パラメトリックアルゴリズムを提案する。このアルゴリズムは離散時系列における因果関係の同定に有効であることを示す。
論文参考訳（メタデータ） (2024-07-10T00:55:38Z)
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)
Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文参考訳（メタデータ） (2022-06-28T08:11:12Z)
Inferring extended summary causal graphs from observational time series [4.263043028086137]
時系列間の差分を決定するために,情報理論の手法を用いている。本手法の動作は,シミュレーションおよび実データを用いたいくつかの実験を通して説明される。
論文参考訳（メタデータ） (2022-05-19T09:39:57Z)
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-varying Graph Learning Under Structured Temporal Priors [16.73465046419929]
本稿では,時間変化グラフを構造化時間前処理を用いて学習する。実時間関係を特徴付けるために,時空間グラフ (enmphtemporal graph) という構造を提案する。
論文参考訳（メタデータ） (2021-10-11T06:11:08Z)
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)
Normalized multivariate time series causality analysis and causal graph reconstruction [0.0]
因果分析は科学の中心にある重要な問題であり、データサイエンスと機械学習において特に重要である。この研究は、情報フローに基づく2変数時間系列因果推論の長期一般化とともに、この作業ラインをコミュニティに紹介する。結果として得られる公式は透明であり、計算的に非常に効率的なアルゴリズムとして実装することができる。
論文参考訳（メタデータ） (2021-04-23T00:46:35Z)
One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文参考訳（メタデータ） (2020-10-23T03:24:44Z)
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
論文参考訳（メタデータ） (2020-06-18T19:59:12Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。