Fugu-MT 論文翻訳(概要): Causal Discovery in Hawkes Processes by Minimum Description Length

論文の概要: Causal Discovery in Hawkes Processes by Minimum Description Length

arxiv url: http://arxiv.org/abs/2206.06124v1
Date: Fri, 10 Jun 2022 10:16:03 GMT
ステータス: 処理完了
システム内更新日: 2022-06-19 16:19:45.119596
Title: Causal Discovery in Hawkes Processes by Minimum Description Length
Title（参考訳）: 最小記述長によるホークスプロセスの因果発見
Authors: Amirkasra Jalaldoust, Katerina Hlavackova-Schindler, Claudia Plant
Abstract要約: ホークス過程(英: Hawkes process)は、因果関係の自然な概念を示す時間的点過程のクラスである。本稿では,多次元ホークス過程における顆粒因果ネットワークの学習問題にアプローチする。我々は,このアルゴリズムを,合成および実世界の財務データに基づく最先端のベースライン手法と比較した。
参考スコア（独自算出の注目度）: 11.627871646343502
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Hawkes processes are a special class of temporal point processes which exhibit a natural notion of causality, as occurrence of events in the past may increase the probability of events in the future. Discovery of the underlying influence network among the dimensions of multi-dimensional temporal processes is of high importance in disciplines where a high-frequency data is to model, e.g. in financial data or in seismological data. This paper approaches the problem of learning Granger-causal network in multi-dimensional Hawkes processes. We formulate this problem as a model selection task in which we follow the minimum description length (MDL) principle. Moreover, we propose a general algorithm for MDL-based inference using a Monte-Carlo method and we use it for our causal discovery problem. We compare our algorithm with the state-of-the-art baseline methods on synthetic and real-world financial data. The synthetic experiments demonstrate superiority of our method incausal graph discovery compared to the baseline methods with respect to the size of the data. The results of experiments with the G-7 bonds price data are consistent with the experts knowledge.
Abstract（参考訳）: ホークス過程(英: Hawkes process)は、過去における事象の発生が未来の事象の確率を増加させる可能性があるため、因果関係の自然な概念を示す特別な時間的点過程のクラスである。多次元の時間過程の次元間の基盤となる影響ネットワークの発見は、金融データや地震データなどの高周波データをモデル化する分野において、非常に重要である。本稿では,多次元ホークス過程におけるグランジャーコーサルネットワークの学習の問題にアプローチする。我々はこの問題を,最小記述長(MDL)の原理に従うモデル選択タスクとして定式化する。さらに,モンテカルロ法によるMDLに基づく推論のための一般化アルゴリズムを提案し,因果探索問題に利用した。本アルゴリズムを総合的および実世界の金融データに基づく最先端のベースライン手法と比較する。合成実験により,本手法は,データサイズに対する基本手法と比較して,因果グラフ発見の優位性を示した。 G-7社債価格データを用いた実験結果は専門家の知識と一致している。

関連論文リスト

TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文参考訳（メタデータ） (2024-04-01T20:33:29Z)
Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文参考訳（メタデータ） (2024-02-04T05:50:38Z)
Discovering Mixtures of Structural Causal Models from Time Series Data [23.18511951330646]
基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
論文参考訳（メタデータ） (2023-10-10T05:13:10Z)
Granger Causal Inference in Multivariate Hawkes Processes by Minimum Message Length [0.0]
最小メッセージ長(MML)原理に基づく最適化基準とモデル選択アルゴリズムを提案する。ラッソ型ペナル化を用いた最先端の手法の多くは、短時間の水平線を持つシナリオでは過度に適合する傾向にあるが、提案手法はこれらの設定において高いF1スコアを達成する。
論文参考訳（メタデータ） (2023-09-05T08:13:34Z)
CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
論文参考訳（メタデータ） (2023-05-10T04:20:36Z)
FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文参考訳（メタデータ） (2022-10-10T12:35:02Z)
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文参考訳（メタデータ） (2022-05-27T09:59:46Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
THP: Topological Hawkes Processes for Learning Granger Causality on Event Sequences [31.895008425796792]
本稿では,トポロジカル・ホークス・プロセス(THP)におけるグレンジャー因果学習手法を提案する。提案手法は,THPのグラフ畳み込みに基づく可能性関数と,その可能性関数の期待最大化によるスパース最適化方式を特徴とする。
論文参考訳（メタデータ） (2021-05-23T08:33:46Z)
Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
論文参考訳（メタデータ） (2021-02-27T06:13:59Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。