論文の概要: GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Imaging Studies
- arxiv url: http://arxiv.org/abs/2210.07416v2
- Date: Wed, 18 Dec 2024 00:07:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 16:45:31.188092
- Title: GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Imaging Studies
- Title（参考訳）: GLACIAL--縦断イメージング研究のためのグラガーと学習に基づく因果解析-
- Authors: Minh Nguyen, Gia H. Ngo, Mert R. Sabuncu,
- Abstract要約: 本稿では,GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal study) という手法を用いて,この手法のギャップを埋める手法を提案する。
本稿では, GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal Studies) という手法を用いて, この方法論的ギャップを埋める手法を提案する。
- 参考スコア（独自算出の注目度）: 8.709178038700033
- License:
- Abstract: The Granger framework is useful for discovering causal relations in time-varying signals. However, most Granger causality (GC) methods are developed for densely sampled timeseries data. A substantially different setting, particularly common in medical imaging, is the longitudinal study design, where multiple subjects are followed and sparsely observed over time. Longitudinal studies commonly track several biomarkers, which are likely governed by nonlinear dynamics that might have subject-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 propose an approach named GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal studies) to fill this methodological gap by marrying GC with a multi-task neural forecasting model. GLACIAL treats subjects as independent samples and uses the model's average prediction accuracy on hold-out subjects to probe causal links. Input dropout and model interpolation are used to efficiently learn nonlinear dynamic relationships between a large number of variables and to handle missing values respectively. Extensive simulations and experiments on a real longitudinal medical imaging dataset show GLACIAL beating competitive baselines and confirm its utility. Our code is available at https://github.com/mnhng/GLACIAL.
- Abstract（参考訳）: Grangerフレームワークは、時間変化信号の因果関係を発見するのに有用である。
しかし、ほとんどのグレンジャー因果性(GC)法は、密集した時系列データのために開発されている。
医用画像において特に一般的な、かなり異なる設定は、複数の被験者を追尾し、時間とともにまばらに観察する縦断的な研究設計である。
縦断的研究は一般にいくつかのバイオマーカーを追跡しており、これは主観固有の慣用性を持ち、直接的および間接的原因の両方を示す非線形力学によって支配されていると考えられる。
さらに、現実世界の長手データは、しばしば広範囲の欠落に悩まされる。
GCメソッドはこれらの問題に対処するのに適していません。
本稿では, GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal Studies) という手法を提案する。
GLACIALは、被験者を独立したサンプルとして扱い、ホールドアウト被験者の平均予測精度を使用して因果関係を探索する。
入力ドロップアウトとモデル補間は、多数の変数間の非線形動的関係を効率的に学習し、それぞれ欠落した値を扱うために使用される。
実時間医学画像データセットの大規模なシミュレーションと実験により、GLACIALは競争ベースラインを破り、その有用性を確認している。
私たちのコードはhttps://github.com/mnhng/GLACIAL.comから入手可能です。
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。