論文の概要: NTS-NOTEARS: Learning Nonparametric Temporal DAGs With Time-Series Data and Prior Knowledge

• arxiv url: http://arxiv.org/abs/2109.04286v1
• Date: Thu, 9 Sep 2021 14:08:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 14:36:32.563702
• Title: NTS-NOTEARS: Learning Nonparametric Temporal DAGs With Time-Series Data and Prior Knowledge
• Title（参考訳）: NTS-NOTEARS:時系列データと事前知識による非パラメトリック時間DBGの学習
• Authors: Xiangyu Sun, Guiliang Liu, Pascal Poupart, Oliver Schulte
• Abstract要約: 時系列データに対するスコアベースDAG構造学習法を提案する。 提案手法は,非パラメトリック瞬時DAGを学習するための最近の連続最適化手法であるNOTEARSを拡張した。
• 参考スコア（独自算出の注目度）: 38.2191204484905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a score-based DAG structure learning method for time-series data that captures linear, nonlinear, lagged and instantaneous relations among variables while ensuring acyclicity throughout the entire graph. The proposed method extends nonparametric NOTEARS, a recent continuous optimization approach for learning nonparametric instantaneous DAGs. The proposed method is faster than constraint-based methods using nonlinear conditional independence tests. We also promote the use of optimization constraints to incorporate prior knowledge into the structure learning process. A broad set of experiments with simulated data demonstrates that the proposed method discovers better DAG structures than several recent comparison methods. We also evaluate the proposed method on complex real-world data acquired from NHL ice hockey games containing a mixture of continuous and discrete variables. The code is available at https://github.com/xiangyu-sun-789/NTS-NOTEARS/.
• Abstract（参考訳）: 本稿では,グラフ全体の非周期性を確保しつつ,変数間の線形・非線形・ラグ・瞬時関係を捉える時系列データに対するスコアベースDAG構造学習法を提案する。 提案手法は,非パラメトリック瞬時dag学習のための最近の連続最適化手法であるnonparametric notearsを拡張する。 提案手法は非線形条件独立試験を用いた制約に基づく手法よりも高速である。 また,事前知識を構造学習プロセスに組み込むための最適化制約の利用も促進する。 シミュレーションデータを用いた幅広い実験により,提案手法が最近の比較手法よりも優れたDAG構造を見出すことを示す。 また,NHLアイスホッケーゲームから連続変数と離散変数の混合を含む複雑な実世界のデータについても検討した。 コードはhttps://github.com/xiangyu-sun-789/NTS-NOTEARS/で公開されている。

関連論文リスト

• Sparse Orthogonal Parameters Tuning for Continual Learning [34.462967722928724]
  事前学習モデル(PTM)に基づく連続学習手法が近年注目されている。 本稿では,SoTU(Sparse Orthogonal Parameters TUning)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T05:19:09Z)
• TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
  本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。 単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
  論文  参考訳（メタデータ） (2024-04-01T20:33:29Z)
• AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
  既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。 具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。 これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
  論文  参考訳（メタデータ） (2024-03-06T15:06:11Z)
• Efficient Nearest Neighbor Language Models [114.40866461741795]
  非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。 比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-09-09T12:32:28Z)
• Learning Large DAGs by Combining Continuous Optimization and Feedback Arc Set Heuristics [0.3553493344868413]
  線形構造方程式の場合,DAGを学習するための2つのスケーラブルNPを提案する。 対象関数を最適化するために、制約のない勾配降下に基づくステップを交互に組み合わせてDAGを学習する。 この分離のおかげで、私たちのメソッドは何千もの変数を越えてスケールアップされます。
  論文  参考訳（メタデータ） (2021-07-01T16:10:21Z)
• Testing Directed Acyclic Graph via Structural, Supervised and Generative Adversarial Learning [7.623002328386318]
  有向非巡回グラフ(DAG)の新しい仮説テスト法を提案する。 非常に柔軟なニューラルネットワーク学習者に基づいてテストを構築します。 シミュレーションと脳接続ネットワーク解析による実験の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-02T21:18:59Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
  我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。 実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
  論文  参考訳（メタデータ） (2020-06-11T16:36:31Z)
• DYNOTEARS: Structure Learning from Time-Series Data [6.7638850283606855]
  時系列における変数間の同時(イントラスライス)と時間差(インタースライス)を同時に推定する手法を提案する。 動的ベイズネットワークを学習するための最先端の手法と比較して,本手法は実データに対してスケーラブルかつ正確である。
  論文  参考訳（メタデータ） (2020-02-02T21:47:48Z)

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。