Fugu-MT 論文翻訳(概要): Sequential Causal Effect Variational Autoencoder: Time Series Causal Link Estimation under Hidden Confounding

論文の概要: Sequential Causal Effect Variational Autoencoder: Time Series Causal Link Estimation under Hidden Confounding

arxiv url: http://arxiv.org/abs/2209.11497v1
Date: Fri, 23 Sep 2022 09:43:58 GMT
ステータス: 処理完了
システム内更新日: 2022-09-26 17:36:14.606867
Title: Sequential Causal Effect Variational Autoencoder: Time Series Causal Link Estimation under Hidden Confounding
Title（参考訳）: シークエンシャル因果効果変動オートエンコーダ:隠れた境界下での時系列因果リンク推定
Authors: Violeta Teodora Trifunov, Maha Shadaydeh, Joachim Denzler
Abstract要約: 観測データから因果関係を推定すると、因果関係は因果関係と誤解されることがある。本研究では,シークエンシャル因果効果変動オートエンコーダ (SCEVAE) を提案する。
参考スコア（独自算出の注目度）: 8.330791157878137
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating causal effects from observational data in the presence of latent variables sometimes leads to spurious relationships which can be misconceived as causal. This is an important issue in many fields such as finance and climate science. We propose Sequential Causal Effect Variational Autoencoder (SCEVAE), a novel method for time series causality analysis under hidden confounding. It is based on the CEVAE framework and recurrent neural networks. The causal link's intensity of the confounded variables is calculated by using direct causal criteria based on Pearl's do-calculus. We show the efficacy of SCEVAE by applying it to synthetic datasets with both linear and nonlinear causal links. Furthermore, we apply our method to real aerosol-cloud-climate observation data. We compare our approach to a time series deconfounding method with and without substitute confounders on the synthetic data. We demonstrate that our method performs better by comparing both methods to the ground truth. In the case of real data, we use the expert knowledge of causal links and show how the use of correct proxy variables aids data reconstruction.
Abstract（参考訳）: 潜伏変数の存在下で観測データから因果関係を推定すると、因果関係は因果関係と誤解されることがある。これは金融や気候科学など多くの分野において重要な問題である。本研究では,隠れた共起環境下での時系列因果関係解析のための新しい手法であるscevaeを提案する。 CEVAEフレームワークとリカレントニューラルネットワークに基づいている。共起変数の因果リンクの強度は、パールのdo-calculusに基づく直接因果基準を用いて計算される。線形および非線形因果関係を持つ合成データセットに適用することによりSCEVAEの有効性を示す。さらに,本手法を実際のエアロゾル・雲気候観測データに適用する。提案手法は, 合成データを用いた時系列分解手法と, 代替の共同設立者の有無を比較した。本手法は,両手法を基礎的真理と比較することにより,良好な性能を示す。実データの場合、因果関係の専門知識を使用し、適切なプロキシ変数の使用がデータ再構成にどのように役立つかを示す。

関連論文リスト

CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
論文参考訳（メタデータ） (2024-10-03T13:57:08Z)
DecoR: Deconfounding Time Series with Robust Regression [8.02119748947076]
この研究は、第3の観測されていない時系列によって構成される2つの時系列間の因果効果を推定することに焦点を当てている。本稿では、周波数領域における頑健な線形回帰を用いて因果効果を推定する新しいアプローチである、ロバスト回帰(DecoR)によるデコンウンディングを導入する。
論文参考訳（メタデータ） (2024-06-11T06:59:17Z)
Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文参考訳（メタデータ） (2024-02-20T18:53:53Z)
Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
我々は、古典因果探索アルゴリズムの出力からより大きな因果グラフを予測することを学ぶ教師付きモデルを訓練する。我々のアプローチは、古典的手法の出力における典型的なエラーがデータセット間で比較できるという観察によって実現されている。実データおよび合成データに関する実験では、このモデルが不特定性や分布シフトに直面して高い精度を維持することを示した。
論文参考訳（メタデータ） (2024-02-02T21:57:58Z)
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)
Rhino: Deep Causal Temporal Relationship Learning With History-dependent Noise [13.709618907099783]
我々はRhinoと呼ばれる時系列データのための新しい因果関係学習フレームワークを提案する。 Rhinoはベクトル自己回帰、深層学習、変分推論を組み合わせて、瞬時効果と非線形関係をモデル化する。理論的には、Rhinoの構造的識別可能性を証明する。
論文参考訳（メタデータ） (2022-10-26T13:33:58Z)
DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文参考訳（メタデータ） (2022-09-26T21:59:14Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
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)
Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-22T14:49:33Z)
On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。