論文の概要: THP: Topological Hawkes Processes for Learning Granger Causality on Event Sequences

• arxiv url: http://arxiv.org/abs/2105.10884v1
• Date: Sun, 23 May 2021 08:33:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 10:09:44.705087
• Title: THP: Topological Hawkes Processes for Learning Granger Causality on Event Sequences
• Title（参考訳）: THP: 事象系列に基づくグランガー因果学習のためのトポロジカルホークプロセス
• Authors: Ruichu Cai, Siyu Wu, Jie Qiao, Zhifeng Hao, Keli Zhang, Xi Zhang
• Abstract要約: 本稿では,トポロジカル・ホークス・プロセス(THP)におけるグレンジャー因果学習手法を提案する。 提案手法は,THPのグラフ畳み込みに基づく可能性関数と,その可能性関数の期待最大化によるスパース最適化方式を特徴とする。
• 参考スコア（独自算出の注目度）: 31.895008425796792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning Granger causality among event types on multi-type event sequences is an important but challenging task. Existing methods, such as the Multivariate Hawkes processes, mostly assumed that each sequence is independent and identically distributed. However, in many real-world applications, it is commonplace to encounter a topological network behind the event sequences such that an event is excited or inhibited not only by its history but also by its topological neighbors. Consequently, the failure in describing the topological dependency among the event sequences leads to the error detection of the causal structure. By considering the Hawkes processes from the view of temporal convolution, we propose a Topological Hawkes processes (THP) to draw a connection between the graph convolution in topology domain and the temporal convolution in time domains. We further propose a Granger causality learning method on THP in a likelihood framework. The proposed method is featured with the graph convolution-based likelihood function of THP and a sparse optimization scheme with an Expectation-Maximization of the likelihood function. Theoretical analysis and experiments on both synthetic and real-world data demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 多型イベントシーケンスにおけるイベントタイプ間のグランガー因果関係の学習は重要だが難しい課題である。 既存の方法、例えば多変量ホークス過程は、各シーケンスが独立で同一に分散していると仮定している。 しかし、多くの実世界のアプリケーションでは、事象は歴史だけでなく、その位相近傍によっても興奮または抑制されるような、事象列の背後にあるトポロジカルネットワークに遭遇することが一般的である。 従って、イベントシーケンス間のトポロジー依存性を記述できないことは、因果構造のエラー検出につながる。 時間的畳み込みの観点からホークス過程を考慮し、トポロジー領域におけるグラフ畳み込みと時間領域における時間的畳み込みを関連付けるトポロジー・ホークス過程(THP)を提案する。 さらに, 確率フレームワークにおいて, thpのグランジャー因果関係学習法を提案する。 提案手法は, thp のグラフ畳み込みに基づく度数関数と, 度数関数の期待最大化を伴うスパース最適化スキームを特徴とする。 合成および実世界のデータの理論的解析と実験により,提案手法の有効性が示された。

関連論文リスト

• TNPAR: Topological Neural Poisson Auto-Regressive Model for Learning Granger Causal Structure from Event Sequences [27.289511320823895]
  イベントシーケンスからグランガー因果関係を学ぶことは、さまざまなアプリケーションにまたがって難しいが必須の課題である。 トポロジカル・ニューラル・ポアソン自己回帰モデルと2つのプロセスの融合を考案する。 シミュレーションおよび実世界のデータを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-06-25T03:31:47Z)
• Structural Hawkes Processes for Learning Causal Structure from Discrete-Time Event Sequences [36.76562861154494]
  提案手法は,確率関数の最小化最大化とスパース最適化方式を特徴とする。 その結果、即時効果は呪いではなく祝福であり、因果構造は即時効果の存在下で識別可能であることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-10T08:52:07Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• 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)
• Causal Discovery in Hawkes Processes by Minimum Description Length [11.627871646343502]
  ホークス過程(英: Hawkes process)は、因果関係の自然な概念を示す時間的点過程のクラスである。 本稿では,多次元ホークス過程における顆粒因果ネットワークの学習問題にアプローチする。 我々は,このアルゴリズムを,合成および実世界の財務データに基づく最先端のベースライン手法と比較した。
  論文  参考訳（メタデータ） (2022-06-10T10:16:03Z)
• An Empirical Study: Extensive Deep Temporal Point Process [23.9359814366167]
  本稿では,非同期イベントシーケンスを時間差の深いポイント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)
• Hawkes Processes on Graphons [85.6759041284472]
  我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。 対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。 生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
  論文  参考訳（メタデータ） (2021-02-04T17:09:50Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。