論文の概要: GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Studies

• arxiv url: http://arxiv.org/abs/2210.07416v1
• Date: Thu, 13 Oct 2022 23:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 18:04:55.601855
• Title: GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Studies
• Title（参考訳）: GLACIAL : 縦断的研究のためのグラガーと学習に基づく因果分析
• Authors: Minh Nguyen, Gia H. Ngo, Mert R. Sabuncu
• Abstract要約: 我々は「Granger and LeArning-based CausalIty Analysis for Longitudinal Studies」を意味するGLACIALを提案する。 GLACIALは個人を独立したサンプルとして扱い、ホールドアウト個体の平均予測精度を使用して因果関係の効果をテストする。 合成および実データに関する大規模な実験はGLACIALの有用性を実証している。
• 参考スコア（独自算出の注目度）: 19.312260690210458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Granger framework is widely used for discovering causal relationships based on time-varying signals. Implementations of Granger causality (GC) are mostly developed for densely sampled timeseries data. A substantially different setting, particularly common in population health applications, is the longitudinal study design, where multiple individuals are followed and sparsely observed for a limited number of times. Longitudinal studies commonly track many variables, which are likely governed by nonlinear dynamics that might have individual-specific idiosyncrasies and exhibit both direct and indirect causes. Furthermore, real-world longitudinal data often suffer from widespread missingness. GC methods are not well-suited to handle these issues. In this paper, we intend to fill this methodological gap. We propose to marry the GC framework with a machine learning based prediction model. We call our approach GLACIAL, which stands for "Granger and LeArning-based CausalIty Analysis for Longitudinal studies." GLACIAL treats individuals as independent samples and uses average prediction accuracy on hold-out individuals to test for effects of causal relationships. GLACIAL employs a multi-task neural network trained with input feature dropout to efficiently learn nonlinear dynamic relationships between a large number of variables, handle missing values, and probe causal links. Extensive experiments on synthetic and real data demonstrate the utility of GLACIAL and how it can outperform competitive baselines.
• Abstract（参考訳）: Grangerフレームワークは時間変化信号に基づく因果関係の発見に広く利用されている。 Granger causality(GC)の実装は、主に密集した時系列データのために開発されている。 人口健康の分野で特に一般的である、かなり異なる設定は、複数の個人をフォローし、少ない回数で観察する縦断的な研究設計である。 縦断的な研究は、多くの変数を追跡するが、これは、個々の特異な特異性を持ち、直接的および間接的原因の両方を示す非線形ダイナミクスによって制御される可能性がある。 さらに、現実世界の縦断データは、しばしば広範囲にわたる欠落に苦しむ。 gcメソッドはこれらの問題を扱うのに適していない。 本稿では,この方法論的ギャップを埋めることを目的とする。 我々は、gcフレームワークを機械学習に基づく予測モデルと組み合わせることを提案する。 我々は,「Granger and LeArning-based CausalIty Analysis for Longitudinal Studies」の略であるGLACIALと呼ぶ。 GLACIALは個人を独立したサンプルとして扱い、ホールドアウト個体の平均予測精度を使用して因果関係の効果をテストする。 GLACIALは入力特徴ドロップアウトでトレーニングされたマルチタスクニューラルネットワークを使用して、多数の変数間の非線形な関係を効率よく学習し、欠落した値を処理し、因果関係を探索する。 合成データと実データに関する大規模な実験は、GLACIALの有用性と、それが競合するベースラインより優れていることを示す。

関連論文リスト

• Exploring Neural Granger Causality with xLSTMs: Unveiling Temporal Dependencies in Complex Data [20.773694998061707]
  時系列における因果関係は、特に非線形依存の存在下では決定が難しい。 本稿では,変数間の長距離関係を捉えるために,Granger causal xLSTM(GC-xLSTM)を提案する。 提案したGC-xLSTMモデルの総合的有効性を示す3つのデータセットに関する実験的検討を行った。
  論文  参考訳（メタデータ） (2025-02-14T08:07:03Z)
• GCAD: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality [6.491611485776723]
  本稿では,解釈可能な因果関係を用いて空間依存をモデル化し,因果パターンの変化によって異常を検出するフレームワークを提案する。 実世界のデータセット実験により,提案モデルがベースライン法よりも高精度な異常検出を実現することが示された。
  論文  参考訳（メタデータ） (2025-01-23T09:15:59Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Bayesian Vector AutoRegression with Factorised Granger-Causal Graphs [10.030023978159978]
  本研究では,観測時系列データからGranger因果関係を自動的に検出する問題について検討する。 本稿では,二元的グランガー因果グラフ上の事前分布を階層的に分解した新しいベイズVARモデルを提案する。 我々は,2進グランガー因果グラフの後方推定を効率的に行うアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-06T01:01:23Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• Gaussian Latent Dirichlet Allocation for Discrete Human State Discovery [1.057079240576682]
  離散状態発見問題に対する教師なし確率モデルであるGaussian Latent Dirichlet Allocation (GLDA)を提案する。 GLDAは、自然言語処理において人気のあるトピックモデルであるLatent Dirichlet Allocation (LDA)から個々の混合構造を借りている。 両データセットにおいて,GLDAを学習したクラスウェイトは,臨床評価したうつ病,不安,ストレススコアと,ベースラインのGMMよりも有意に高い相関性を示した。
  論文  参考訳（メタデータ） (2022-06-28T18:33:46Z)
• Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
  本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。 本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
  論文  参考訳（メタデータ） (2022-06-15T21:28:36Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。