論文の概要: Causal Recurrent Variational Autoencoder for Medical Time Series Generation

• arxiv url: http://arxiv.org/abs/2301.06574v1
• Date: Mon, 16 Jan 2023 19:13:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 15:21:44.896852
• Title: Causal Recurrent Variational Autoencoder for Medical Time Series Generation
• Title（参考訳）: 医療時系列生成のための因果リカレント変分オートエンコーダ
• Authors: Hongming Li, Shujian Yu, Jose Principe
• Abstract要約: 時系列xからGranger因果グラフを学習する新しい生成モデルであるCR-VAEを提案する。 我々のモデルは、定性的かつ定量的に、最先端の時系列生成モデルよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 12.82521953179345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose causal recurrent variational autoencoder (CR-VAE), a novel generative model that is able to learn a Granger causal graph from a multivariate time series x and incorporates the underlying causal mechanism into its data generation process. Distinct to the classical recurrent VAEs, our CR-VAE uses a multi-head decoder, in which the $p$-th head is responsible for generating the $p$-th dimension of $\mathbf{x}$ (i.e., $\mathbf{x}^p$). By imposing a sparsity-inducing penalty on the weights (of the decoder) and encouraging specific sets of weights to be zero, our CR-VAE learns a sparse adjacency matrix that encodes causal relations between all pairs of variables. Thanks to this causal matrix, our decoder strictly obeys the underlying principles of Granger causality, thereby making the data generating process transparent. We develop a two-stage approach to train the overall objective. Empirically, we evaluate the behavior of our model in synthetic data and two real-world human brain datasets involving, respectively, the electroencephalography (EEG) signals and the functional magnetic resonance imaging (fMRI) data. Our model consistently outperforms state-of-the-art time series generative models both qualitatively and quantitatively. Moreover, it also discovers a faithful causal graph with similar or improved accuracy over existing Granger causality-based causal inference methods. Code of CR-VAE is publicly available at https://github.com/hongmingli1995/CR-VAE.
• Abstract（参考訳）: 本研究では,多変量時系列xからグランガー因果グラフを学習し,その基礎となる因果機構をデータ生成プロセスに組み込む,新しい生成モデルであるcausal recurrent variational autoencoder (cr-vae)を提案する。 古典的リカレントVAEとは対照的に、私たちのCR-VAEはマルチヘッドデコーダを使用し、$p$-thヘッドは$\mathbf{x}$(つまり$\mathbf{x}^p$)の$p$-th次元を生成する。 重み(デコーダ)に余剰誘導ペナルティを課し、特定の重みセットをゼロにすることで、CR-VAEは、すべての変数間の因果関係を符号化するスパース隣接行列を学習する。 この因果行列のおかげで、デコーダは厳格にグランガー因果原理に従っており、それによってデータ生成プロセスが透明になる。 我々は、全体目標を訓練するための2段階のアプローチを開発する。 本研究では,脳波(EEG)信号とfMRI(Functional magnetic resonance imaging)データを含む2つの実世界のヒト脳データセットと合成データを用いて,モデルの挙動を実証的に評価した。 我々のモデルは質的にも量的にも常に最先端の時系列生成モデルを上回る。 さらに、既存のグランジャー因果関係に基づく因果推論法と類似または改良された忠実な因果グラフも発見する。 CR-VAEのコードはhttps://github.com/hongmingli1995/CR-VAEで公開されている。

関連論文リスト

• Scaling Laws in Linear Regression: Compute, Parameters, and Data [86.48154162485712]
  無限次元線形回帰セットアップにおけるスケーリング法則の理論について検討する。 テストエラーの再現可能な部分は$Theta(-(a-1) + N-(a-1)/a)$であることを示す。 我々の理論は経験的ニューラルスケーリング法則と一致し、数値シミュレーションによって検証される。
  論文  参考訳（メタデータ） (2024-06-12T17:53:29Z)
• 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)
• $t^3$-Variational Autoencoder: Learning Heavy-tailed Data with Student's t and Power Divergence [7.0479532872043755]
  $t3$VAEは、学生のt-distributionsを前者、エンコーダ、デコーダに組み込んだ改良されたVAEフレームワークである。 t3$VAE は CelebA や不均衡な CIFAR-100 データセットにおいて,他のモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-12-02T13:14:28Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Reveal to Revise: An Explainable AI Life Cycle for Iterative Bias Correction of Deep Models [11.879170124003252]
  最先端の機械学習モデルは、トレーニングデータに埋め込まれた急激な相関を学習することが多い。 これにより、これらのモデルを高い意思決定のためにデプロイする際のリスクが生じる。 そこで我々はReveal to Revise (R2R)を提案する。
  論文  参考訳（メタデータ） (2023-03-22T15:23:09Z)
• Recovering Barab\'asi-Albert Parameters of Graphs through Disentanglement [0.0]
  ErdHos R'enyi (ER)ランダムグラフやBarab'asi-Albert (BA)グラフのようなグラフモデリングアプローチは、現実のグラフの性質を解釈可能な方法で再現することを目的としている。 Stoehrらによる以前の作品。 グラフデータから生成プロセスを学び、これらの問題に対処します。 BAグラフの生成パラメータを$beta$-VAEデコーダをシーケンシャルに置き換えることに重点を置いています。
  論文  参考訳（メタデータ） (2021-05-03T16:45:43Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net [122.8907826672382]
  我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
  論文  参考訳（メタデータ） (2021-03-22T05:19:40Z)
• Knowledge Generation -- Variational Bayes on Knowledge Graphs [0.685316573653194]
  この論文は、現実世界の知識グラフの表現に関するVari Auto-Encoder (VAE) の概念実証である。 生成グラフへのアプローチの成功に触発されて,本モデルである変分オートエンコーダ(rgvae)の能力を評価する。 RGVAEはリンク予測に基づいて評価される。 2つのFB15K-237およびWN18RRデータセットの平均相互ランク(MRR)スコアを比較します。 2次実験における潜伏空間について検討する:まず、2つの三重項の潜伏表現の間の線型、そして各三重項の探索
  論文  参考訳（メタデータ） (2021-01-21T21:23:17Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)

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。