Fugu-MT 論文翻訳(概要): Inferring extended summary causal graphs from observational time series

論文の概要: Inferring extended summary causal graphs from observational time series

arxiv url: http://arxiv.org/abs/2205.09422v1
Date: Thu, 19 May 2022 09:39:57 GMT
ステータス: 処理完了
システム内更新日: 2022-05-21 03:29:24.648860
Title: Inferring extended summary causal graphs from observational time series
Title（参考訳）: 観測時系列から拡張要約因果グラフを推定する
Authors: Charles K. Assaad, Emilie Devijver, and Eric Gaussier
Abstract要約: 時系列間の差分を決定するために,情報理論の手法を用いている。本手法の動作は,シミュレーションおよび実データを用いたいくつかの実験を通して説明される。
参考スコア（独自算出の注目度）: 4.263043028086137
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study addresses the problem of learning an extended summary causal graph on time series. The algorithms we propose fit within the well-known constraint-based framework for causal discovery and make use of information-theoretic measures to determine (in)dependencies between time series. We first introduce generalizations of the causation entropy measure to any lagged or instantaneous relations, prior to using this measure to construct extended summary causal graphs by adapting two well-known algorithms, namely PC and FCI. The behavior of our methods is illustrated through several experiments run on simulated and real datasets.
Abstract（参考訳）: 本研究は,時系列上の拡張要約因果グラフの学習問題に対処する。提案するアルゴリズムは、因果探索のためのよく知られた制約ベースのフレームワークに適合し、時系列間の差分を決定するために情報理論の手法を用いる。まず,本尺度をpcとfciの2つのよく知られたアルゴリズムを適用し,拡張要約因果グラフを構築するために使用する前に,遅延関係や瞬時関係に対する因果関係の一般化を導入する。本手法の挙動は,シミュレーションおよび実データを用いたいくつかの実験によって示される。

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)
Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ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） (2024-05-19T13:26:33Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
From Temporal to Contemporaneous Iterative Causal Discovery in the Presence of Latent Confounders [6.365889364810238]
本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
論文参考訳（メタデータ） (2023-06-01T12:46:06Z)
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)
Graphical estimation of multivariate count time series [0.0]
このアルゴリズムは、ムンバイ大都市各区のデング病の計測値に適用される。病状数は比較的少ないものの, 特別な病棟がデング熱の源泉として広がることが観察された。
論文参考訳（メタデータ） (2023-02-17T10:54:13Z)
Entropy-based Discovery of Summary Causal Graphs in Time Series [3.360922672565234]
まず,時系列の新しい因果的時間的相互情報尺度を提案する。次に、この尺度がエントロピー還元原理にどのように関係しているかを示す。これら2つの成分をPCライクなアルゴリズムとFCIライクなアルゴリズムで組み合わせて要約因果グラフを構築する。
論文参考訳（メタデータ） (2021-05-21T14:47:18Z)
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)
One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文参考訳（メタデータ） (2020-10-23T03:24:44Z)
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
論文参考訳（メタデータ） (2020-06-18T19:59:12Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。