論文の概要: Deep Recurrent Modelling of Granger Causality with Latent Confounding

• arxiv url: http://arxiv.org/abs/2202.11286v1
• Date: Wed, 23 Feb 2022 03:26:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 16:30:20.309864
• Title: Deep Recurrent Modelling of Granger Causality with Latent Confounding
• Title（参考訳）: 潜伏畳み込みを伴うグランガー因果関係の深部反復モデリング
• Authors: Zexuan Yin and Paolo Barucca
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Inferring causal relationships in observational time series data is an important task when interventions cannot be performed. Granger causality is a popular framework to infer potential causal mechanisms between different time series. The original definition of Granger causality is restricted to linear processes and leads to spurious conclusions in the presence of a latent confounder. In this work, we harness the expressive power of recurrent neural networks and propose a deep learning-based approach to model non-linear Granger causality by directly accounting for latent confounders. Our approach leverages multiple recurrent neural networks to parameterise predictive distributions and we propose the novel use of a dual-decoder setup to conduct the Granger tests. We demonstrate the model performance on non-linear stochastic time series for which the latent confounder influences the cause and effect with different time lags; results show the effectiveness of our model compared to existing benchmarks.
• Abstract（参考訳）: 観測時系列データにおける因果関係の推測は、介入ができない場合に重要な課題である。 グランジャー因果関係は、異なる時系列間の潜在的な因果メカニズムを推測するための一般的なフレームワークである。 元々のグランガー因果関係の定義は線形過程に限られており、潜在する共同設立者の存在下で急激な結論をもたらす。 本研究では,リカレントニューラルネットワークの表現力を生かし,非線形グレンジャー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。 本研究では,複数の再帰的ニューラルネットワークを用いて予測分布をパラメータ化し,grangerテストを行うために,デュアルデコーダを新たに使用する手法を提案する。 本稿では,非線形確率的時系列におけるモデル性能について示す。このモデルの性能は,潜在共同設立者が異なる時間ラグで原因と効果に影響を与えるものであり,既存のベンチマークと比較すると,モデルの有効性を示す。

関連論文リスト

• A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
  ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。 本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。 また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T18:18:37Z)
• Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data [21.697069894721448]
  本研究では,Granger因果構造を推定し,異種干渉時系列データを活用することによって未知のターゲットを同定する理論的基礎的手法を提案する。 本手法は,介入時系列データからGranger因果構造を学習する上で,いくつかの頑健なベースライン法より優れている。
  論文  参考訳（メタデータ） (2024-06-14T21:36:00Z)
• Jacobian Regularizer-based Neural Granger Causality [45.902407376192656]
  本稿では,ヤコビアン正規化器を用いたニューラルグラガー因果性(JRNGC)アプローチを提案する。 提案手法は,入力出力ヤコビ行列正規化器を利用して重みの空間的制約を解消する。 提案手法は,現在最先端の手法を用いて,グラガー因果関係とフルタイムグラガー因果関係を学習する上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-05-14T17:13:50Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• Causal Graph Discovery from Self and Mutually Exciting Time Series [10.410454851418548]
  我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。 Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-01-26T16:15:27Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Interpretable Models for Granger Causality Using Self-explaining Neural Networks [4.56877715768796]
  本論文では,自己記述型ニューラルネットワークの拡張に基づく非線形ダイナミクス下でのGranger因果関係を推定するための新しいフレームワークを提案する。 このフレームワークは、Granger因果関係を推測する他のニューラルネットワークベースのテクニックよりも解釈可能である。
  論文  参考訳（メタデータ） (2021-01-19T12:59:00Z)
• Causal Modeling with Stochastic Confounders [11.881081802491183]
  この作業は、共同設立者との因果推論を拡張します。 本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-24T00:34:44Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。