論文の概要: Multiscale Non-stationary Causal Structure Learning from Time Series
Data
- arxiv url: http://arxiv.org/abs/2208.14989v1
- Date: Wed, 31 Aug 2022 17:44:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:15:38.315410
- Title: Multiscale Non-stationary Causal Structure Learning from Time Series
Data
- Title（参考訳）: 時系列データを用いたマルチスケール非定常因果構造学習
- Authors: Gabriele D'Acunto, Gianmarco De Francisci Morales, Paolo Bajardi and
Francesco Bonchi
- Abstract要約: 本稿では,新しいタイプの因果構造,すなわちマルチスケール非定常非巡回グラフ(MN-DAG)を紹介する。
スペクトルおよび因果理論の結果を活用することで、ユーザ指定の事前情報に基づいてMN-DAGをサンプリングできる、新しい確率的生成モデルを公開する。
マルチスケール非定常因果構造学習器(MN-CASTLE)と呼ばれる,MN-DAG推定のためのベイズ的手法も考案した。
- 参考スコア（独自算出の注目度）: 18.898853531685894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a new type of causal structure, namely multiscale
non-stationary directed acyclic graph (MN-DAG), that generalizes DAGs to the
time-frequency domain. Our contribution is twofold. First, by leveraging
results from spectral and causality theories, we expose a novel probabilistic
generative model, which allows to sample an MN-DAG according to user-specified
priors concerning the time-dependence and multiscale properties of the causal
graph. Second, we devise a Bayesian method for the estimation of MN-DAGs, by
means of stochastic variational inference (SVI), called Multiscale
Non-Stationary Causal Structure Learner (MN-CASTLE). In addition to direct
observations, MN-CASTLE exploits information from the decomposition of the
total power spectrum of time series over different time resolutions. In our
experiments, we first use the proposed model to generate synthetic data
according to a latent MN-DAG, showing that the data generated reproduces
well-known features of time series in different domains. Then we compare our
learning method MN-CASTLE against baseline models on synthetic data generated
with different multiscale and non-stationary settings, confirming the good
performance of MN-CASTLE. Finally, we show some insights derived from the
application of MN-CASTLE to study the causal structure of 7 global equity
markets during the Covid-19 pandemic.
- Abstract（参考訳）: 本稿では,DAGを時間周波数領域に一般化する新しいタイプの因果構造,すなわちマルチスケール非定常非巡回グラフ(MN-DAG)を提案する。
私たちの貢献は2倍です。
まず,スペクトル理論と因果関係理論の結果を活用することで,因果グラフの時間依存性と多スケール性に関するユーザの特定事前条件に従ってmn-dagをサンプリング可能な,新しい確率論的生成モデルを公開する。
次に,マルチスケール非定常因果構造学習器(MN-CASTLE)と呼ばれる確率的変分推論(SVI)を用いて,MN-DAGの推定のためのベイズ的手法を提案する。
直接観測の他に、MN-CASTLEは時系列の総パワースペクトルの分解から異なる時間解像度で情報を利用する。
実験では,提案モデルを用いて潜在性mn-dagに基づく合成データを生成し,異なる領域の時系列の既知の特徴を再現することを示す。
そこで本研究では,マルチスケールおよび非定常環境で生成された合成データのベースラインモデルとmn-castleの学習法を比較し,mn-castleの性能を確認した。
最後に,MN-CASTLEを用いて,コビッド19のパンデミックにおける7つのグローバルエクイティ市場の因果構造を解明する。
関連論文リスト
- Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks [12.784885649573994]
時系列データによる因果発見は、スライス内(同時)とスライス間(時差)の両方の因果関係を捉えることを目的としている。
我々は, textbfShort-textbfTerm textbfInvariance に着目した勾配に基づく因果探索手法 STIC を提案する。
論文 参考訳（メタデータ） (2024-08-15T08:43:28Z) - Hierarchical Joint Graph Learning and Multivariate Time Series
Forecasting [0.16492989697868887]
本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。
我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。
提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
論文 参考訳（メタデータ） (2023-11-21T14:24:21Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - 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) - SERT: A Transfomer Based Model for Spatio-Temporal Sensor Data with
Missing Values for Environmental Monitoring [0.0]
センサーから収集されたデータは、故障した機器やメンテナンス上の問題によって、しばしば値が失われる。
計算を必要とせず、欠落したデータを処理しながら、多変量時間予測を行うことのできる2つのモデルを提案する。
論文 参考訳（メタデータ） (2023-06-05T17:06:23Z) - Multiscale Causal Structure Learning [26.66862801441497]
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。
論文 参考訳（メタデータ） (2022-07-16T11:47:32Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - 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) - 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) - 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) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。