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

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• 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)
• 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)
• 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)
• 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。