論文の概要: Multiscale Causal Structure Learning
- arxiv url: http://arxiv.org/abs/2207.07908v1
- Date: Sat, 16 Jul 2022 11:47:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 16:22:04.238465
- Title: Multiscale Causal Structure Learning
- Title（参考訳）: マルチスケール因果構造学習
- Authors: Gabriele D'Acunto, Paolo Di Lorenzo, Sergio Barbarossa
- Abstract要約: 本稿では,線形因果構造のロバスト性を推定する手法として,Multiscale-Causal Learning Structure (MS-CASTLE) を提案する。
我々は、コビッド19でMS-CASTLEが意味のある情報を抽出する方法について、世界的な株式リスクパンデミック市場を調査した。
私たちは、ブラジル、カナダ、イタリアといった、検討期間にリスクを負う株式市場を特定しました。
- 参考スコア（独自算出の注目度）: 26.66862801441497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The inference of causal structures from observed data plays a key role in
unveiling the underlying dynamics of the system. This paper exposes a novel
method, named Multiscale-Causal Structure Learning (MS-CASTLE), to estimate the
structure of linear causal relationships occurring at different time scales.
Differently from existing approaches, MS-CASTLE takes explicitly into account
instantaneous and lagged inter-relations between multiple time series,
represented at different scales, hinging on stationary wavelet transform and
non-convex optimization. MS-CASTLE incorporates, as a special case, a
single-scale version named SS-CASTLE, which compares favorably in terms of
computational efficiency, performance and robustness with respect to the state
of the art onto synthetic data. We used MS-CASTLE to study the multiscale
causal structure of the risk of 15 global equity markets, during covid-19
pandemic, illustrating how MS-CASTLE can extract meaningful information thanks
to its multiscale analysis, outperforming SS-CASTLE. We found that the most
persistent and strongest interactions occur at mid-term time resolutions.
Moreover, we identified the stock markets that drive the risk during the
considered period: Brazil, Canada and Italy. The proposed approach can be
exploited by financial investors who, depending to their investment horizon,
can manage the risk within equity portfolios from a causal perspective.
- Abstract（参考訳）: 観測データからの因果構造の推定は、システムの基盤となるダイナミクスを明らかにする上で重要な役割を果たす。
本稿では,異なる時間スケールで発生する線形因果関係の構造を推定する手法として,Multiscale-Causal Structure Learning (MS-CASTLE) を提案する。
既存のアプローチと異なり、MS-CASTLEは、定常ウェーブレット変換と非凸最適化に基づいて、異なるスケールで表される複数の時系列間の即時およびラタグの相互関係を明示的に考慮している。
MS-CASTLEは特殊なケースとしてSS-CASTLEと呼ばれる単一のスケールバージョンを組み込んでいる。
我々は、MS-CASTLEを用いて15のグローバルエクイティ市場リスクのマルチスケール因果構造を調査し、そのマルチスケール分析によりMS-CASTLEが有意義な情報を抽出し、SS-CASTLEを上回った。
最も永続的で強い相互作用は、中期の時間分解能で起こる。
さらに, ブラジル, カナダ, イタリアなど, 想定された期間にリスクを増大させる株式市場を特定した。
提案されたアプローチは、投資の方向に応じて、因果的な観点から株式ポートフォリオ内のリスクを管理できる金融投資家によって活用できる。
関連論文リスト
- Stock Movement Prediction with Multimodal Stable Fusion via Gated Cross-Attention Mechanism [41.16574023720132]
本研究は,MSGCA (Multimodal Stable Fusion with Gated Cross-Attention) という新しいアーキテクチャを導入する。
MSGCAフレームワークは、(1)インジケータシーケンス、動的文書、および関係グラフを処理し、それらの特徴表現を標準化する三次符号化モジュール、(2)プライマリおよび一貫性のある特徴が一対のゲート型クロスアテンションネットワークを介して3つのモダリティのマルチモーダル融合を導くクロスフュージョンモジュール、(3)時間的および次元的縮小により融合した特徴を洗練して正確に実行する予測モジュールからなる。
論文 参考訳（メタデータ） (2024-06-06T03:13:34Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,各レシスタンスに対してDAG(Directed Acyclic Graph)を同時に学習する,新たな最適化手法(線形)を提案する。
我々は広範囲な実験を行い、その手法が様々な環境における因果発見モデルより一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳（メタデータ） (2023-04-11T13:15:33Z) - Learning Multiscale Non-stationary Causal Structures [10.821465726323712]
多変量時系列データをモデル化するフレームワークであるマルチスケール非定常有向非巡回グラフ (MN-DAG) を導入する。
我々は,MN-DAGを推定するために変分推論を用いるマルチスケール非定常因果学習構造(MN-CASTLE)を考案した。
本研究では,MN-CASTLEをベースラインモデルと比較して,マルチスケールおよび非定常特性の異なる合成データに対して優れた性能を示す。
論文 参考訳（メタデータ） (2022-08-31T17:44:08Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - Coupled Support Tensor Machine Classification for Multimodal
Neuroimaging Data [28.705764174771936]
A Coupled Support Machine (C-STM) は、Advanced Coupled Matrix Factorization (ACMTF) から推定される潜在因子に基づいて構築される。
C-STMは、個別および共有潜在因子と複数のカーネルを結合し、結合行列テンソルデータに対する最大マージンを推定する。
C-STMの分類リスクは最適なベイズリスクに収束することが示され、統計的に一貫した規則となっている。
論文 参考訳（メタデータ） (2022-01-19T16:13:09Z) - Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal
Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。
モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文 参考訳（メタデータ） (2021-07-28T23:33:42Z) - CNN-based Realized Covariance Matrix Forecasting [0.0]
本稿では,CNN と Conal LSTM (ConvLSTM) を用いたエンドツーエンドトレーニングモデルを提案する。
局所構造と相関に焦点をあて、歴史的に実現された共分散行列と将来の行列を結びつける非線形写像を学ぶ。
人工的および実世界のデータセットに関する実証研究は、いくつかの高度なボラティリティモデルと比較して優れた予測能力を示している。
論文 参考訳（メタデータ） (2021-07-22T12:02:24Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。