論文の概要: Learning Multiscale Non-stationary Causal Structures

• arxiv url: http://arxiv.org/abs/2208.14989v2
• Date: Fri, 17 Nov 2023 21:34:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 21:03:09.001628
• Title: Learning Multiscale Non-stationary Causal Structures
• Title（参考訳）: 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: 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。
• 参考スコア（独自算出の注目度）: 10.821465726323712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses a gap in the current state of the art by providing a solution for modeling causal relationships that evolve over time and occur at different time scales. Specifically, we introduce the multiscale non-stationary directed acyclic graph (MN-DAG), a framework for modeling multivariate time series data. Our contribution is twofold. Firstly, we expose a probabilistic generative model by leveraging results from spectral and causality theories. Our model allows sampling an MN-DAG according to user-specified priors on the time-dependence and multiscale properties of the causal graph. Secondly, we devise a Bayesian method named Multiscale Non-stationary Causal Structure Learner (MN-CASTLE) that uses stochastic variational inference to estimate MN-DAGs. The method also exploits information from the local partial correlation between time series over different time resolutions. The data generated from an MN-DAG reproduces well-known features of time series in different domains, such as volatility clustering and serial correlation. Additionally, we show the superior performance of MN-CASTLE on synthetic data with different multiscale and non-stationary properties compared to baseline models. Finally, we apply MN-CASTLE to identify the drivers of the natural gas prices in the US market. Causal relationships have strengthened during the COVID-19 outbreak and the Russian invasion of Ukraine, a fact that baseline methods fail to capture. MN-CASTLE identifies the causal impact of critical economic drivers on natural gas prices, such as seasonal factors, economic uncertainty, oil prices, and gas storage deviations.
• Abstract（参考訳）: 本稿では, 時間とともに進化し, 異なる時間スケールで発生する因果関係をモデル化するためのソリューションを提供することにより, 技術の現状におけるギャップについて述べる。 具体的には,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)を紹介する。 私たちの貢献は2倍です。 まず,スペクトルと因果性理論の結果を利用して確率論的生成モデルを明らかにする。 本モデルでは, 因果グラフの時間依存性とマルチスケール特性に基づいて, MN-DAGをサンプリングすることができる。 次に,確率的変動推定を用いてMN-DAGを推定するマルチスケール非定常因果構造学習器(MN-CASTLE)を提案する。 この方法は、時間分解能の異なる時系列間の局所的な部分相関からの情報も活用する。 MN-DAGから生成されたデータは、ボラティリティクラスタリングやシリアル相関など、さまざまな領域における時系列の特徴を再現する。 さらに,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。 最後に,米国市場における天然ガス価格の変動要因を特定するためにMN-CASTLEを適用した。 因果関係は、新型コロナウイルス(covid-19)の流行とロシアによるウクライナ侵攻の間に強化されている。 MN-CASTLEは、季節的要因、経済の不確実性、原油価格、ガス貯蔵逸脱などの天然ガス価格に対する重要な経済要因の因果的影響を明らかにしている。

関連論文リスト

• GD-CAF: Graph Dual-stream Convolutional Attention Fusion for Precipitation Nowcasting [1.642094639107215]
  降水マップの履歴グラフから学習するために,GD-CAF (Graph Dual-streamtemporal Conal Attention Fusion) を導入した。 GD-CAFは、ゲート・テンポラル・コンボリューション・アテンションと、深度に分離可能なコンボリューション・オペレーションを備えた融合モジュールで構成されている。 ERA5データセットから収集したヨーロッパとその周辺地域の7年間の降水分布図を評価した。
  論文  参考訳（メタデータ） (2024-01-15T20:54:20Z)
• 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)
• 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)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• 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。