論文の概要: Causal Inference in Non-linear Time-series usingDeep Networks and Knockoff Counterfactuals

• arxiv url: http://arxiv.org/abs/2109.10817v1
• Date: Wed, 22 Sep 2021 16:07:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:55:14.816323
• Title: Causal Inference in Non-linear Time-series usingDeep Networks and Knockoff Counterfactuals
• Title（参考訳）: Deep Networks と Knockoff Counterfactuals を用いた非線形時系列の因果推論
• Authors: Wasim Ahmad, Maha Shadaydeh, Joachim Denzler
• Abstract要約: 変数の非線形結合は、原因と効果の関係を不正確に推定する主な課題の1つである。 本稿では,非線型因果関係を推定するために,DeepAR(Deep Autoregressive Network)を反実解析と併用することを提案する。
• 参考スコア（独自算出の注目度）: 8.56007054019834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating causal relations is vital in understanding the complex interactions in multivariate time series. Non-linear coupling of variables is one of the major challenges inaccurate estimation of cause-effect relations. In this paper, we propose to use deep autoregressive networks (DeepAR) in tandem with counterfactual analysis to infer nonlinear causal relations in multivariate time series. We extend the concept of Granger causality using probabilistic forecasting with DeepAR. Since deep networks can neither handle missing input nor out-of-distribution intervention, we propose to use the Knockoffs framework (Barberand Cand`es, 2015) for generating intervention variables and consequently counterfactual probabilistic forecasting. Knockoff samples are independent of their output given the observed variables and exchangeable with their counterpart variables without changing the underlying distribution of the data. We test our method on synthetic as well as real-world time series datasets. Overall our method outperforms the widely used vector autoregressive Granger causality and PCMCI in detecting nonlinear causal dependency in multivariate time series.
• Abstract（参考訳）: 多変量時系列における複雑な相互作用を理解するには因果関係の推定が不可欠である。 変数の非線形結合は、因果関係の正確な推定が難しい大きな課題の1つである。 本稿では,多変量時系列における非線形因果関係を推定するために,DeepAR(Deep Autoregressive Network)を反実解析と併用することを提案する。 我々は、DeepARを用いた確率予測を用いて、Granger因果関係の概念を拡張した。 深層ネットワークは入力の欠如や配布外介入を扱えないため、介入変数の生成と結果の偽確率予測にKnockoffsフレームワーク(Barberand Cand`es, 2015)を使用することを提案する。 ノックオフサンプルは、観測された変数の出力とは独立であり、データの基盤となる分布を変更することなく、対応する変数と交換可能である。 本手法を合成および実世界の時系列データセット上でテストする。 本手法は,多変量時系列における非線形因果依存性の検出において,広く用いられているベクトル自己回帰的グランガー因果性およびPCMCIよりも優れる。

関連論文リスト

• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Multivariate Probabilistic Time Series Forecasting with Correlated Errors [17.212396544233307]
  本稿では,自動回帰モデルのための複数ステップでエラーの共分散構造を学習するプラグイン・アンド・プレイ手法を提案する。 RNNとTransformerアーキテクチャ上に構築された確率モデルについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-02-01T20:27:19Z)
• Deep Learning-based Group Causal Inference in Multivariate Time-series [8.073449277052495]
  多変量時空の非線形系における因果推論は、変数間の関係の複雑な網を遠ざけるのに役立っている。 本研究では,学習した深層ネットワークに対するグループレベルの介入によるモデルの不変性を検証し,変数群の因果方向を推定する。
  論文  参考訳（メタデータ） (2024-01-16T14:19:28Z)
• Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
  我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。 予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。 複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2023-03-18T14:37:37Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Causal Discovery using Model Invariance through Knockoff Interventions [8.330791157878137]
  DeepARを用いて時系列における非線形相互作用をモデル化する。 Knockoffsベースの介入を使用して、モデルを異なる環境に公開します。 反応残差の分布は,非因果予測器の介入によって大きく変化しないことを示す。
  論文  参考訳（メタデータ） (2022-07-08T14:46:47Z)
• 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)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。