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

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data [21.697069894721448]
  本研究では,Granger因果構造を推定し,異種干渉時系列データを活用することによって未知のターゲットを同定する理論的基礎的手法を提案する。 本手法は,介入時系列データからGranger因果構造を学習する上で,いくつかの頑健なベースライン法より優れている。
  論文  参考訳（メタデータ） (2024-06-14T21:36:00Z)
• 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)
• 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)
• Jacobian Granger Causal Neural Networks for Analysis of Stationary and Nonstationary Data [19.347558051611827]
  本稿では,変数重要度尺度としてヤコビアンを用いた神経ネットワークによるグランガー因果性へのアプローチを提案する。 結果として得られるアプローチは、グランガー因果変数を識別する他のアプローチと比較して一貫してうまく機能する。
  論文  参考訳（メタデータ） (2022-05-19T14:07:54Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
  Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。 特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。 このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
  論文  参考訳（メタデータ） (2021-02-10T07:48:00Z)
• 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)

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。