論文の概要: A Novel Statistical Independence Test for Dynamic Causal Discovery with Rare Events

• arxiv url: http://arxiv.org/abs/2211.16596v1
• Date: Tue, 29 Nov 2022 21:15:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 16:21:00.254896
• Title: A Novel Statistical Independence Test for Dynamic Causal Discovery with Rare Events
• Title（参考訳）: 希少事象を伴う動的因果発見のための新しい統計的独立性試験
• Authors: Chih-Yuan Chiu, Kshitij Kulkarni, Shankar Sastry
• Abstract要約: 稀な事象に関連する因果現象は、幅広い工学的問題や数学的な問題に頻繁に発生する。 本稿では,時間不変力学系から収集したデータに対して,統計的独立性試験を行う新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.67306371596399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal phenomena associated with rare events frequently occur across a wide range of engineering and mathematical problems, such as risk-sensitive safety analysis, accident analysis and prevention, and extreme value theory. However, current methods for causal discovery are often unable to uncover causal links between random variables that manifest only when the variables first experience low-probability realizations. To address this issue, we introduce a novel algorithm that performs statistical independence tests on data collected from time-invariant dynamical systems in which rare but consequential events occur. We seek to understand if the state of the dynamical system causally affects the likelihood of the rare event. In particular, we exploit the time-invariance of the underlying data to superimpose the occurrences of rare events, thus creating a new dataset, with rare events are better represented, on which conditional independence tests can be more efficiently performed. We provide non-asymptotic bounds for the consistency of our algorithm, and validate the performance of our algorithm across various simulated scenarios, with applications to traffic accidents.
• Abstract（参考訳）: 稀な事象に関連する因果現象は、危険に敏感な安全分析、事故解析と予防、極端な価値理論など、幅広い工学的および数学的問題に頻繁に発生する。 しかしながら、因果発見の現在の方法は、変数が最初に低確率実現を経験したときにのみ現れるランダム変数間の因果関係を明らかにすることができないことが多い。 この問題に対処するため,時間不変の動的システムから収集したデータに対して統計的独立性テストを行うアルゴリズムを提案する。 我々は力学系の状態がレアな事象の可能性に因果的に影響を及ぼすかどうかを理解しようとする。 特に,基礎となるデータの時間的ばらつきを利用してレアな事象の発生を重畳し,レアな事象を表現できる新しいデータセットを作成し,条件付き独立性テストをより効率的に実行できるようにする。 我々は,アルゴリズムの整合性に対する非漸近的境界を提供し,様々なシミュレートシナリオにおけるアルゴリズムの性能と交通事故への応用を検証した。

関連論文リスト

• DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection [12.3866167448478]
  時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。 近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。 本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-01-20T16:56:52Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Detecting hidden confounding in observational data using multiple environments [0.81585306387285]
  本論では, 隠れた接尾辞が存在する場合にのみ欠落する, 検証可能な条件不一致の理論について述べる。 ほとんどの場合、提案手法は隠れた共起の存在を正確に予測する。
  論文  参考訳（メタデータ） (2022-05-27T12:20:09Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• On the Sample Complexity of Causal Discovery and the Value of Domain Expertise [0.0]
  因果発見法は、純粋観測データからランダム変数間の因果関係を同定する。 本稿では,CIオラクルを使わずに因果探索アルゴリズムのサンプル複雑性を解析する。 我々の方法では、データサンプルの観点からドメインの専門知識の価値を定量化できます。
  論文  参考訳（メタデータ） (2021-02-05T16:26:17Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)

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。