論文の概要: CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary
Time Series Data
- arxiv url: http://arxiv.org/abs/2302.03246v2
- Date: Mon, 16 Oct 2023 22:27:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 22:42:11.172678
- Title: CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary
Time Series Data
- Title（参考訳）: CDANs: 自己相関および非定常時系列データによる時間的因果発見
- Authors: Muhammad Hasan Ferdous, Uzma Hasan, Md Osman Gani
- Abstract要約: 因果発見は、人間の健康に関する実用的な洞察を抽出する上で重要な役割を果たす可能性がある。
本稿では,制約に基づく新たな因果探索手法を提案する。
提案手法では,時間とともに変化するモジュールの変化とともに,タグ付き・即時/同時因果関係を同定する。
- 参考スコア（独自算出の注目度）: 5.130175508025212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series data are found in many areas of healthcare such as medical time
series, electronic health records (EHR), measurements of vitals, and wearable
devices. Causal discovery, which involves estimating causal relationships from
observational data, holds the potential to play a significant role in
extracting actionable insights about human health. In this study, we present a
novel constraint-based causal discovery approach for autocorrelated and
non-stationary time series data (CDANs). Our proposed method addresses several
limitations of existing causal discovery methods for autocorrelated and
non-stationary time series data, such as high dimensionality, the inability to
identify lagged causal relationships, and overlooking changing modules. Our
approach identifies lagged and instantaneous/contemporaneous causal
relationships along with changing modules that vary over time. The method
optimizes the conditioning sets in a constraint-based search by considering
lagged parents instead of conditioning on the entire past that addresses high
dimensionality. The changing modules are detected by considering both
contemporaneous and lagged parents. The approach first detects the lagged
adjacencies, then identifies the changing modules and contemporaneous
adjacencies, and finally determines the causal direction. We extensively
evaluated our proposed method on synthetic and real-world clinical datasets,
and compared its performance with several baseline approaches. The experimental
results demonstrate the effectiveness of the proposed method in detecting
causal relationships and changing modules for autocorrelated and non-stationary
time series data.
- Abstract（参考訳）: 時系列データは、医療時系列、電子健康記録(EHR)、バイタルの測定、ウェアラブルデバイスなど、医療の多くの領域で見られる。
因果関係を観測データから推定する因果発見は、人間の健康に関する実用的な洞察を抽出する上で重要な役割を果たす可能性がある。
本研究では,自己相関および非定常時系列データ(cdans)に対する制約に基づく新しい因果発見手法を提案する。
提案手法は,高次元性,タグ付き因果関係の同定不能,変化モジュールの見落としなど,自己相関および非定常時系列データに対する既存の因果発見手法のいくつかの制限に対処する。
当社のアプローチでは,時間とともに変化するモジュールとともに,遅延および即時/同時因果関係を識別する。
本手法は, 制約に基づく探索において, 高次元性に対処する過去全体を条件付けする代わりに, タグ付けされた親を考慮し, 条件セットを最適化する。
変更モジュールは、同時性およびタグ付けされた両親の両方を考慮して検出される。
このアプローチはまず遅延した隣接を検知し、その後に変化するモジュールと同時の隣接を識別し、最終的に因果方向を決定する。
提案手法を総合的および実世界の臨床データセットで広く評価し,その性能をいくつかのベースラインアプローチと比較した。
実験結果は,自己相関と非定常時系列データに対する因果関係の検出とモジュールの変更における提案手法の有効性を示す。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Causal discovery for time series with constraint-based model and PMIME
measure [0.0]
本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。
提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
論文 参考訳（メタデータ） (2023-05-31T09:38:50Z) - eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and
Non-stationary Data (Student Abstract) [0.3314882635954752]
自己相関および非定常時系列データ(eCDAN)に対する制約に基づくCD手法を提案する。
eCDANは、時間的変化とともに、タグ付きおよび同時因果関係を検出することができる。
合成データと実世界のデータの実験は、eCDANが時間の影響を識別し、ベースラインを上回ることを示した。
論文 参考訳（メタデータ） (2023-03-06T01:59:45Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - 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) - Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。
このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
論文 参考訳（メタデータ） (2021-10-23T19:57:22Z) - Causal Discovery from Conditionally Stationary Time Series [18.645887749731923]
State-Dependent Causal Inference (SDCI)は根底にある因果関係を回復することができる。
NBA選手の動きをモデル化した非因果RNNよりも改善した結果,本手法の可能性が示された。
論文 参考訳（メタデータ） (2021-10-12T18:12:57Z) - 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) - 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) - High-recall causal discovery for autocorrelated time series with latent
confounders [12.995632804090198]
本稿では,FCIや変種などの既存の因果発見手法が,自己相関時系列の場合,低リコールに悩まされていることを示す。
シミュレーション研究に関わるすべてのメソッドに対してPythonコードを提供します。
論文 参考訳（メタデータ） (2020-07-03T18:01:04Z) - 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。