論文の概要: Learning Temporally Causal Latent Processes from General Temporal Data

• arxiv url: http://arxiv.org/abs/2110.05428v1
• Date: Mon, 11 Oct 2021 17:16:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 15:08:44.666531
• Title: Learning Temporally Causal Latent Processes from General Temporal Data
• Title（参考訳）: 一般時間データから一時因果潜在過程を学習する
• Authors: Weiran Yao, Yuewen Sun, Alex Ho, Changyin Sun, Kun Zhang
• Abstract要約: それらの非線形混合物から時間的因果潜在過程を同定できる2つの証明可能な条件を提案する。 種々のデータセットに対する実験結果から, 時間的因果潜在過程が観測変数から確実に同定されることが示された。
• 参考スコア（独自算出の注目度）: 22.440008291454287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our goal is to recover time-delayed latent causal variables and identify their relations from measured temporal data. Estimating causally-related latent variables from observations is particularly challenging as the latent variables are not uniquely recoverable in the most general case. In this work, we consider both a nonparametric, nonstationary setting and a parametric setting for the latent processes and propose two provable conditions under which temporally causal latent processes can be identified from their nonlinear mixtures. We propose LEAP, a theoretically-grounded architecture that extends Variational Autoencoders (VAEs) by enforcing our conditions through proper constraints in causal process prior. Experimental results on various data sets demonstrate that temporally causal latent processes are reliably identified from observed variables under different dependency structures and that our approach considerably outperforms baselines that do not leverage history or nonstationarity information. This is one of the first works that successfully recover time-delayed latent processes from nonlinear mixtures without using sparsity or minimality assumptions.
• Abstract（参考訳）: 我々の目標は、時間遅延した因果変数を復元し、その関係を時間的データから同定することである。 因果関係の潜在変数を観測から推定することは、最も一般的なケースでは潜在変数が一意的に回復できないため、特に難しい。 本研究では,非パラメトリックな非定常設定と潜在過程のパラメトリック設定の両方を検討し,それらの非線形混合から時間的因果的潜在過程を識別できる2つの証明可能な条件を提案する。 本稿では,従来の因果的プロセスにおいて,条件を適切に制約することで,変分オートエンコーダ(VAE)を拡張した理論的基盤アーキテクチャLEAPを提案する。 様々なデータセットにおける実験結果から, 時間的因果潜在過程は, 異なる依存構造の下で観測された変数から確実に同定され, 履歴や非定常情報を利用しないベースラインをかなり上回ることがわかった。 これは、周期性や最小性の仮定を使わずに、非線形混合物から時間遅れの潜伏過程を回復する最初の研究の1つである。

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)
• Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
  観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。 本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
  論文  参考訳（メタデータ） (2024-05-11T04:15:47Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• CaRiNG: Learning Temporal Causal Representation under Non-Invertible Generation Process [22.720927418184672]
  非可逆生成時間データのCAusal RepresentatIonを同一性保証付きで学習するための原則的アプローチを提案する。 具体的には、時間的文脈を利用して失われた潜伏情報を復元し、この理論の条件を適用してトレーニングプロセスの指導を行う。
  論文  参考訳（メタデータ） (2024-01-25T22:01:07Z)
• Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
  我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。 経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
  論文  参考訳（メタデータ） (2023-10-28T06:46:03Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Temporally Disentangled Representation Learning [14.762231867144065]
  下位の潜伏変数とその因果関係が任意の非パラメトリック因果関係を持つかどうかは不明である。 時間遅延因果変数を復元する基本フレームワークである textbftextttTDRL を提案する。 私たちのアプローチは、このモジュラー表現を正しく活用しない既存のベースラインをかなり上回ります。
  論文  参考訳（メタデータ） (2022-10-24T23:02:49Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。