論文の概要: Causal Discovery in High-Dimensional Point Process Networks with Hidden Nodes

• arxiv url: http://arxiv.org/abs/2109.10947v1
• Date: Wed, 22 Sep 2021 18:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 15:14:42.839877
• Title: Causal Discovery in High-Dimensional Point Process Networks with Hidden Nodes
• Title（参考訳）: 隠れノードを持つ高次元ポイントプロセスネットワークにおける因果発見
• Authors: Xu Wang and Ali Shojaie
• Abstract要約: 本稿では,ノードのサブセットのみを観測した高次元点プロセスネットワークを推定する分解手法を提案する。 観測されたプロセスと観測されていないプロセスのフレキシブルな接続を可能にする。 また、観測されていないプロセスの数は、観測されたノードの数よりも未知で、潜在的に大きい。
• 参考スコア（独自算出の注目度）: 9.70107309162694
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Thanks to technological advances leading to near-continuous time observations, emerging multivariate point process data offer new opportunities for causal discovery. However, a key obstacle in achieving this goal is that many relevant processes may not be observed in practice. Naive estimation approaches that ignore these hidden variables can generate misleading results because of the unadjusted confounding. To plug this gap, we propose a deconfounding procedure to estimate high-dimensional point process networks with only a subset of the nodes being observed. Our method allows flexible connections between the observed and unobserved processes. It also allows the number of unobserved processes to be unknown and potentially larger than the number of observed nodes. Theoretical analyses and numerical studies highlight the advantages of the proposed method in identifying causal interactions among the observed processes.
• Abstract（参考訳）: ほぼ連続した時間観測につながる技術進歩により、新しい多変量点プロセスデータは因果発見の新しい機会を提供する。 しかし、この目標を達成する上で重要な障害は、多くの関連するプロセスが実際に観察されないことである。 これらの隠れた変数を無視するナイーブな推定アプローチは、不調整なコンファウンディングのために誤解を招く結果を生み出す可能性がある。 このギャップを埋めるために,ノードのサブセットのみを観測した高次元のポイントプロセスネットワークを推定するデコンファウンディング手法を提案する。 観測されたプロセスと観測されていないプロセスのフレキシブルな接続を可能にする。 また、観測されていないプロセスの数は、観測されたノードの数よりも未知で、潜在的に大きい。 理論的解析と数値研究は、観察した過程間の因果相互作用を同定する手法の利点を強調している。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Object-centric Process Predictive Analytics [0.5161531917413706]
  オブジェクト指向プロセスは、あるプロセスのインスタンスが独立して実行されるのではなく、同じまたは他のプロセスの他のインスタンスと相互作用するパラダイムの実装である。 本稿では,オブジェクトの相互作用に関する情報を予測分析に組み込むアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-05T18:46:10Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Probabilistic selection of inducing points in sparse Gaussian processes [1.2617078020344619]
  ポイントの誘導は、モデルの複雑さへの主要な貢献となります。 誘導点に先立って点を設定し、変分推論により関連する後部を近似する。 実験により, ポイントが情報量が少なくなるにつれて, インジェクションポイントの減少がモデルに好まれることを示す。
  論文  参考訳（メタデータ） (2020-10-19T10:29:30Z)
• Online neural connectivity estimation with ensemble stimulation [5.156484100374058]
  スパースネットワークにおけるこのプロセスの効率を大幅に向上させる,ノイズの多いグループテストに基づく手法を提案する。 人口規模に比例して対数的にしか成長しない多数のテストにより、二項化ネットワーク接続を回復可能であることを示す。 また、ネット上の数万のニューロンのネットワークに対して、接続性を推測する可能性も示しています。
  論文  参考訳（メタデータ） (2020-07-27T23:47:03Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Uncertainty Quantification for Inferring Hawkes Networks [13.283258096829146]
  ネットワークデータからノード間の因果関係を学習するための統計的推論フレームワークを開発した。 ネットワークホークス過程の最大推定値に対する不確かさの定量化を行う。
  論文  参考訳（メタデータ） (2020-06-12T23:08:36Z)
• Latent Network Structure Learning from High Dimensional Multivariate Point Processes [5.079425170410857]
  本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。 効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。 シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-04-07T17:48:01Z)

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。