論文の概要: Path Signature Area-Based Causal Discovery in Coupled Time Series

• arxiv url: http://arxiv.org/abs/2110.12288v1
• Date: Sat, 23 Oct 2021 19:57:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-31 20:04:02.893578
• Title: Path Signature Area-Based Causal Discovery in Coupled Time Series
• Title（参考訳）: 経路署名領域に基づく時系列の因果発見
• Authors: Will Glad and Thomas Woolf
• Abstract要約: 本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coupled dynamical systems are frequently observed in nature, but often not well understood in terms of their causal structure without additional domain knowledge about the system. Especially when analyzing observational time series data of dynamical systems where it is not possible to conduct controlled experiments, for example time series of climate variables, it can be challenging to determine how features causally influence each other. There are many techniques available to recover causal relationships from data, such as Granger causality, convergent cross mapping, and causal graph structure learning approaches such as PCMCI. Path signatures and their associated signed areas provide a new way to approach the analysis of causally linked dynamical systems, particularly in informing a model-free, data-driven approach to algorithmic causal discovery. With this paper, we explore the use of path signatures in causal discovery and propose the application of confidence sequences to analyze the significance of the magnitude of the signed area between two variables. These confidence sequence regions converge with greater sampling length, and in conjunction with analyzing pairwise signed areas across time-shifted versions of the time series, can help identify the presence of lag/lead causal relationships. This approach provides a new way to define the confidence of a causal link existing between two time series, and ultimately may provide a framework for hypothesis testing to define whether one time series causes another
• Abstract（参考訳）: 結合力学系は自然界でしばしば観察されるが、しばしばシステムに関する追加のドメイン知識なしでは因果構造についてよく理解されていない。 特に、制御された実験、例えば気候変数の時系列を行えない力学系の観測時系列データを分析する場合、特徴が相互にどのように影響するかを判断することは困難である。 グレンジャー因果関係、収束クロスマッピング、pcmciのような因果グラフ構造学習アプローチなど、データから因果関係を回復する多くのテクニックがある。 経路シグネチャとその関連署名領域は、特にアルゴリズム因果発見に対するモデルフリーでデータ駆動のアプローチを示す際に、因果関係の動的システムの解析にアプローチする新しい方法を提供する。 本稿では,因果発見におけるパスシグネチャの利用について検討し,二つの変数間の符号付き領域の大きさの意義を分析するための信頼シーケンスの適用を提案する。 これらの信頼シーケンス領域はサンプリング長が大きくなると収束し、時系列の時間シフトバージョン間でペアで署名された領域を解析することにより、ラグ/リード因果関係の存在を特定するのに役立つ。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供し、最終的に1つの時系列が別の時系列を引き起こすかどうかを定義するための仮説テストのフレームワークを提供するかもしれない。

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)
• Caformer: Rethinking Time Series Analysis from Causal Perspective [7.354128514581098]
  本稿では,因果的観点からの時系列解析のためのCaformerという新しいフレームワークを紹介する。 本フレームワークは,動的学習,環境学習,依存学習という3つのコンポーネントから構成される。 我々のCaformerは5つの主流時系列分析タスクで一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-03-13T14:28:02Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• 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)
• Learning latent causal relationships in multiple time series [0.0]
  多くの系では、因果関係は観測データに線形混合として表される潜在空間に埋め込まれる。 潜伏源を盲目的に識別する手法を提示する。 提案手法は教師なしで、任意の時系列に容易に適用でき、データの背後にある因果関係に光を当てることができる。
  論文  参考訳（メタデータ） (2022-03-21T00:20:06Z)
• 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)
• Root Cause Detection Among Anomalous Time Series Using Temporal State Alignment [0.0]
  本稿では,時系列変動のパターンを解析することにより,異常の根本原因を抽出する手法を提案する。 この考え方は、問題が不整合であるが、基底状態の均質なシフトを引き起こすときの効果の伝播を追跡することである。 そこで我々は,Zillows クリックストリームデータにおける異常の根本原因を,観測された変動の集合の中の因果パターンを同定することにより評価した。
  論文  参考訳（メタデータ） (2020-01-04T08:31:34Z)

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。