論文の概要: Identifying Unique Causal Network from Nonstationary Time Series
- arxiv url: http://arxiv.org/abs/2211.10085v2
- Date: Mon, 21 Nov 2022 15:02:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:51:15.279434
- Title: Identifying Unique Causal Network from Nonstationary Time Series
- Title（参考訳）: 非定常時系列からの特異因果ネットワークの同定
- Authors: Mingyu Kang and Duxin Chen and Ning Meng and Gang Yan and Wenwu Yu
- Abstract要約: 本稿では,Unique Causal Network (UCN) という新しい因果関係モデルを提案する。
UCNは時間遅延の影響を考慮し、得られたネットワーク構造の特異性を証明する。
高次因果エントロピー(HCE)アルゴリズムは、UCNの構造を分散的に識別するように設計されている。
- 参考スコア（独自算出の注目度）: 5.3870505077363555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying causality is a challenging task in many data-intensive scenarios.
Many algorithms have been proposed for this critical task. However, most of
them consider the learning algorithms for directed acyclic graph (DAG) of
Bayesian network (BN). These BN-based models only have limited causal
explainability because of the issue of Markov equivalence class. Moreover, they
are dependent on the assumption of stationarity, whereas many sampling time
series from complex system are nonstationary. The nonstationary time series
bring dataset shift problem, which leads to the unsatisfactory performances of
these algorithms. To fill these gaps, a novel causation model named Unique
Causal Network (UCN) is proposed in this paper. Different from the previous
BN-based models, UCN considers the influence of time delay, and proves the
uniqueness of obtained network structure, which addresses the issue of Markov
equivalence class. Furthermore, based on the decomposability property of UCN, a
higher-order causal entropy (HCE) algorithm is designed to identify the
structure of UCN in a distributed way. HCE algorithm measures the strength of
causality by using nearest-neighbors entropy estimator, which works well on
nonstationary time series. Finally, lots of experiments validate that HCE
algorithm achieves state-of-the-art accuracy when time series are
nonstationary, compared to the other baseline algorithms.
- Abstract（参考訳）: 因果関係の特定は多くのデータ集約シナリオにおいて難しい課題である。
この重要な課題に対して多くのアルゴリズムが提案されている。
しかし、そのほとんどは、ベイズネットワーク(BN)の有向非巡回グラフ(DAG)の学習アルゴリズムを考察している。
これらのBNベースのモデルはマルコフ同値クラスの問題のため、因果説明可能性に制限があるだけである。
さらに、それらは定常性の仮定に依存するが、複素系からの多くのサンプリング時系列は非定常である。
非定常時系列はデータセットシフトの問題をもたらし、これらのアルゴリズムの不満足なパフォーマンスをもたらす。
これらのギャップを埋めるために,Unique Causal Network (UCN) という新しい因果関係モデルを提案する。
従来のBNモデルとは異なり、UCNは時間遅延の影響を考慮し、マルコフ同値クラスの問題に対処する得られたネットワーク構造の特異性を証明する。
さらに、UCNの分解性特性に基づいて、高次因果エントロピー(HCE)アルゴリズムは、UCNの構造を分散的に識別するように設計されている。
hceアルゴリズムは、非定常時系列でうまく機能するneighbors entropy estimatorを用いて因果性の強さを測定する。
最後に、HCEアルゴリズムは、他のベースラインアルゴリズムと比較して、時系列が非定常である場合の最先端の精度を実現する。
関連論文リスト
- Causal Discovery in Semi-Stationary Time Series [32.424281626708336]
本研究では,観測時系列における因果関係を発見するための制約に基づく非パラメトリックアルゴリズムを提案する。
このアルゴリズムは離散時系列における因果関係の同定に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-10T00:55:38Z) - Concrete Dense Network for Long-Sequence Time Series Clustering [4.307648859471193]
時系列クラスタリングは、時間的パターンを発見するためのデータ分析において基本である。
深部時間クラスタリング手法は、ニューラルネットワークのエンドツーエンドトレーニングに標準k平均を組み込もうとしている。
LoSTerは、時系列クラスタリング問題に対する新しい密集型オートエンコーダアーキテクチャである。
論文 参考訳（メタデータ） (2024-05-08T12:31:35Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - On Principal Curve-Based Classifiers and Similarity-Based Selective
Sampling in Time-Series [0.0]
本稿では,モデル定義における主曲線を構築ブロックとして用いることにより,同じ計算ステップを持つ決定論的選択的サンプリングアルゴリズムを提案する。
オンライン監視装置のラベル付けコストや問題を考えると、ラベルを知っていれば分類器の性能が向上するデータポイントを見つけるアルゴリズムが存在するはずである。
論文 参考訳（メタデータ） (2022-04-10T07:28:18Z) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - Normalized multivariate time series causality analysis and causal graph
reconstruction [0.0]
因果分析は科学の中心にある重要な問題であり、データサイエンスと機械学習において特に重要である。
この研究は、情報フローに基づく2変数時間系列因果推論の長期一般化とともに、この作業ラインをコミュニティに紹介する。
結果として得られる公式は透明であり、計算的に非常に効率的なアルゴリズムとして実装することができる。
論文 参考訳（メタデータ） (2021-04-23T00:46:35Z) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z) - Learning to Accelerate Heuristic Searching for Large-Scale Maximum
Weighted b-Matching Problems in Online Advertising [51.97494906131859]
バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。
既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。
我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
論文 参考訳（メタデータ） (2020-05-09T02:48:23Z) - Second-Order Guarantees in Centralized, Federated and Decentralized
Nonconvex Optimization [64.26238893241322]
単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。
いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。
これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
論文 参考訳（メタデータ） (2020-03-31T16:54:22Z)
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。