論文の概要: Jacobian Granger Causal Neural Networks for Analysis of Stationary and
Nonstationary Data
- arxiv url: http://arxiv.org/abs/2205.09573v1
- Date: Thu, 19 May 2022 14:07:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-20 22:55:36.405798
- Title: Jacobian Granger Causal Neural Networks for Analysis of Stationary and
Nonstationary Data
- Title(参考訳): ジャコビアングランジャー因果ニューラルネットワークによる定常データおよび非定常データの解析
- Authors: Suryadi, Yew-Soon Ong, Lock Yue Chew
- Abstract要約: 本稿では,変数重要度尺度としてヤコビアンを用いた神経ネットワークによるグランガー因果性へのアプローチを提案する。
結果として得られるアプローチは、グランガー因果変数を識別する他のアプローチと比較して一貫してうまく機能する。
- 参考スコア(独自算出の注目度): 19.347558051611827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Granger causality is a commonly used method for uncovering information flow
and dependencies in a time series. Here we introduce JGC (Jacobian Granger
Causality), a neural network-based approach to Granger causality using the
Jacobian as a measure of variable importance, and propose a thresholding
procedure for inferring Granger causal variables using this measure. The
resulting approach performs consistently well compared to other approaches in
identifying Granger causal variables, the associated time lags, as well as
interaction signs. Lastly, through the inclusion of a time variable, we show
that this approach is able to learn the temporal dependencies for nonstationary
systems whose Granger causal structures change in time.
- Abstract(参考訳): グランガー因果関係(Granger causality)は、時系列における情報フローと依存性を明らかにするための一般的な方法である。
本稿では,JGC(Jacobian Granger Causality)を変数重要度尺度として用いた神経ネットワークに基づくGranger causalityのアプローチとして紹介し,この尺度を用いてGranger causal variablesを推定するためのしきい値処理手法を提案する。
結果として得られるアプローチは、グランガー因果変数、関連する時間ラグ、および相互作用標識を識別する他のアプローチと比較して一貫してうまく機能する。
最後に,時間変数を包含することで,グランジャー因果構造が時間とともに変化する非定常系の時間依存性を学習できることを示す。
関連論文リスト
- Bayesian Factorised Granger-Causal Graphs For Multivariate Time-series
Data [14.548140134410964]
本稿では,二進グランガー因果グラフに先立って階層グラフを持つ新しいベイズVARモデルを提案する。
我々は,2進グランガー因果グラフの後方推定を効率的に行うアルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-02-06T01:01:23Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳(メタデータ) (2023-02-08T16:36:40Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳(メタデータ) (2022-10-18T21:15:10Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳(メタデータ) (2021-06-14T17:52:49Z) - Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。
特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。
このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
論文 参考訳(メタデータ) (2021-02-10T07:48:00Z) - 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) - 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) - CAUSE: Learning Granger Causality from Event Sequences using Attribution
Methods [25.04848774593105]
本稿では,非同期,相互依存,多型イベントシーケンスからイベントタイプ間のグランガー因果関係を学習する問題について検討する。
研究課題の新たな枠組みであるCAUSE(Causality from AttribUtions on Sequence of Events)を提案する。
そこで我々は,CAUSEが最先端の手法に対して,タイプ間グランガー因果関係を正しく推定する上で,優れた性能を達成できることを実証した。
論文 参考訳(メタデータ) (2020-02-18T22:21:11Z) - Variable-lag Granger Causality and Transfer Entropy for Time Series
Analysis [7.627597166844701]
固定時間遅延の仮定を緩和する可変ラグ・グランガー因果関係と可変ラグ・トランスファー・エントロピーを開発する。
提案手法では,動的時間ワープ(DTW)の最適ワープパスを用いて,変動ラグ因果関係を推定する。
我々の手法は時系列解析のあらゆる領域に適用できる。
論文 参考訳(メタデータ) (2020-02-01T14:03:01Z)
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。