論文の概要: Recurrences reveal shared causal drivers of complex time series
- arxiv url: http://arxiv.org/abs/2301.13516v1
- Date: Tue, 31 Jan 2023 10:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 16:56:01.945278
- Title: Recurrences reveal shared causal drivers of complex time series
- Title（参考訳）: 複雑時系列における因果関係の共有化
- Authors: William Gilpin
- Abstract要約: 本稿では,時系列測定における繰り返しを用いた教師なし学習アルゴリズムを導入し,観測されていない運転信号を徐々に再構築する。
我々は,神経科学,ゲノム学,流体力学,生理学にまたがる様々な実世界のデータセットから因果的駆動信号を抽出する手法の強い能力を実証する。
- 参考スコア（独自算出の注目度）: 6.09170287691728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many experimental time series measurements share an unobserved causal driver.
Examples include genes targeted by transcription factors, ocean flows
influenced by large-scale atmospheric currents, and motor circuits steered by
descending neurons. Reliably inferring this unseen driving force is necessary
to understand the intermittent nature of top-down control schemes in diverse
biological and engineered systems. Here, we introduce a new unsupervised
learning algorithm that uses recurrences in time series measurements to
gradually reconstruct an unobserved driving signal. Drawing on the mathematical
theory of skew-product dynamical systems, we identify recurrence events shared
across response time series, which implicitly define a recurrence graph with
glass-like structure. As the amount or quality of observed data improves, this
recurrence graph undergoes a percolation transition manifesting as weak
ergodicity breaking for random walks on the induced landscape -- revealing the
shared driver's dynamics, even in the presence of strongly corrupted or noisy
measurements. Across several thousand random dynamical systems, we empirically
quantify the dependence of reconstruction accuracy on the rate of information
transfer from a chaotic driver to the response systems, and we find that
effective reconstruction proceeds through gradual approximation of the driver's
dominant unstable periodic orbits. Through extensive benchmarks against
classical and neural-network-based signal processing techniques, we demonstrate
our method's strong ability to extract causal driving signals from diverse
real-world datasets spanning neuroscience, genomics, fluid dynamics, and
physiology.
- Abstract（参考訳）: 多くの実験時系列測定は観測されていない因果ドライバを共有している。
例えば、転写因子を標的とする遺伝子、大規模な大気電流に影響された海洋の流れ、下降するニューロンが支配する運動回路などがある。
多様な生物学的・工学的なシステムにおけるトップダウン制御スキームの断続的な性質を理解するためには、この未知の駆動力を確実に推論する必要がある。
そこで本研究では,時系列測定の繰り返しを利用して,観測されていない運転信号を徐々に再構成する,教師なし学習アルゴリズムを提案する。
スクリュー生成力学系の数学的理論に基づいて,反応時間列間で共有される再発事象を同定し,ガラスのような構造を持つ再発グラフを暗黙的に定義する。
観測されたデータの量や品質が向上するにつれて、この再帰グラフは、誘導されたランドスケープ上のランダムウォークの弱いエルゴード性破壊として現れるパーコレーション遷移を実行します。
数千のランダムな力学系において、カオスドライバから応答系への情報伝達速度に対する再構成精度の依存性を実証的に定量化し、運転者の支配的不安定周期軌道の漸進的近似によって効果的な再構成が進行することを示す。
古典的およびニューラルネットワークに基づく信号処理技術に対する広範なベンチマークを通じて,神経科学,ゲノム学,流体力学,生理学にまたがる多種多様な実世界データセットから因果的駆動信号を抽出する手法の強みを実証する。
関連論文リスト
- Learning and Current Prediction of PMSM Drive via Differential Neural Networks [13.370017978792479]
本研究では,ディファレンシャルニューラルネットワーク(DNN)を用いた非線形システムのモデル化手法を提案する。
本手法の有効性は, 各種負荷乱れおよび無負荷条件下で行った実験により検証した。
論文 参考訳（メタデータ） (2024-12-12T07:43:27Z) - FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction [9.2729178775419]
本研究では,自動車追従軌道予測のためのスケールドノイズ条件拡散モデルを提案する。
車両間の詳細な相互作用と自動車追従ダイナミクスを生成フレームワークに統合し、予測された軌跡の精度と妥当性を向上させる。
種々の実世界の運転シナリオに関する実験結果は,提案手法の最先端性能と堅牢性を示すものである。
論文 参考訳（メタデータ） (2024-11-23T23:13:45Z) - Nested replicator dynamics, nested logit choice, and similarity-based learning [56.98352103321524]
我々は,分割型類似性構造を持つアクションセットを持つゲームにおいて,学習と進化のモデルを考える。
このモデルでは、修正エージェントは現在の戦略と類似とみなす他の戦略を比較する確率が高い。
同様の戦略に対するこの暗黙の偏見のため、結果として生じる力学は模倣ゲーム力学の標準的な単調性合理性のいずれかを満たすことができない。
論文 参考訳（メタデータ） (2024-07-25T07:09:53Z) - Delay Embedding Theory of Neural Sequence Models [6.294884163829946]
力学系における遅延埋め込みの理論は、観測されていない変数は少数の観測された変数の履歴から復元できることを証明している。
シーケンスモデルの容量を測定し、観測されていないダイナミクスを再構築する。
論文 参考訳（メタデータ） (2024-06-17T18:07:16Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳（メタデータ） (2023-08-15T18:33:58Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Neural Relational Inference with Efficient Message Passing Mechanisms [10.329082213561785]
本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。
すべての関係の共存を捕捉する関係相互作用機構を提案し、エラーの蓄積を緩和するために履歴情報を用いてアテンポラルメッセージパッシング機構を提案する。
論文 参考訳（メタデータ） (2021-01-23T11:27:31Z)
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。