論文の概要: Causal discovery from conditionally stationary time-series

• arxiv url: http://arxiv.org/abs/2110.06257v1
• Date: Tue, 12 Oct 2021 18:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 10:08:34.089747
• Title: Causal discovery from conditionally stationary time-series
• Title（参考訳）: 条件付き定常時間系列からの因果発見
• Authors: Carles Balsells Rodas, Ruibo Tu, Hedvig Kjellstrom
• Abstract要約: 因果発見は、シーンやシステムの観察から根底にある因果関係を推定するものであり、人間の認知に固有のメカニズムである。 本研究では,状態依存因果推論(SDCI)と呼ばれる確率論的深層学習手法を提案する。 2つの異なる合成シナリオにおいて,本手法は隠れ状態であっても高い精度で因果関係を復元できることを示す。
• 参考スコア（独自算出の注目度）: 2.2099217573031678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery, i.e., inferring underlying cause-effect relationships from observations of a scene or system, is an inherent mechanism in human cognition, but has been shown to be highly challenging to automate. The majority of approaches in the literature aiming for this task consider constrained scenarios with fully observed variables or data from stationary time-series. In this work we aim for causal discovery in a more general class of scenarios, scenes with non-stationary behavior over time. For our purposes we here regard a scene as a composition objects interacting with each other over time. Non-stationarity is modeled as stationarity conditioned on an underlying variable, a state, which can be of varying dimension, more or less hidden given observations of the scene, and also depend more or less directly on these observations. We propose a probabilistic deep learning approach called State-Dependent Causal Inference (SDCI) for causal discovery in such conditionally stationary time-series data. Results in two different synthetic scenarios show that this method is able to recover the underlying causal dependencies with high accuracy even in cases with hidden states.
• Abstract（参考訳）: 因果発見(Causal discovery)、すなわち、シーンやシステムの観察から根底にある因果関係を推定することは、人間の認知に固有のメカニズムであるが、自動化は非常に困難であることが示されている。 このタスクを目指す文学におけるアプローチの大部分は、定常時系列から完全に観測された変数やデータを持つ制約付きシナリオを検討する。 本研究では,より一般的なシナリオ,時間とともに非定常的な振る舞いを伴うシーンの因果発見を目指す。 私たちの目的のために、私たちはシーンを時間をかけて相互に相互作用する合成オブジェクトと見なしています。 非定常性(non-stationarity)は、基礎となる変数、すなわちさまざまな次元の状態、あるいはシーンの観察によって隠れている状態の定常性としてモデル化される。 条件付き定常時系列データにおける因果発見のための状態依存因果推論(sdci)と呼ばれる確率論的深層学習手法を提案する。 2つの異なる合成シナリオにおいて,本手法は隠れ状態であっても高い精度で因果関係を復元できることを示す。

関連論文リスト

• A Practical Approach to Causal Inference over Time [17.660953125689105]
  我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。 因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T13:45:20Z)
• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Identifying Nonstationary Causal Structures with High-Order Markov Switching Models [32.86541172199634]
  時系列における因果発見は急速に発展し、気候科学や神経科学など様々な分野に応用されている。 この研究では、状態依存因果構造を通して非定常性に対処する。
  論文  参考訳（メタデータ） (2024-06-25T16:38:27Z)
• 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 Representation Learning Made Identifiable by Grouping of Observational Variables [8.157856010838382]
  因果表現学習(Causal Representation Learning)は、データ駆動型で隠れた機能の因果モデルを学ぶことを目的としている。 ここでは、新規で弱い制約に基づく識別可能性を示す。 また,モデルに整合した新たな自己教師付き推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T10:38:02Z)
• 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)
• 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)
• Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
  実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。 従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。 しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
  論文  参考訳（メタデータ） (2021-10-17T15:21:27Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• 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。