Fugu-MT 論文翻訳(概要): CUTS: Neural Causal Discovery from Irregular Time-Series Data

論文の概要: CUTS: Neural Causal Discovery from Irregular Time-Series Data

arxiv url: http://arxiv.org/abs/2302.07458v1
Date: Wed, 15 Feb 2023 04:16:34 GMT
ステータス: 処理完了
システム内更新日: 2023-02-16 15:53:35.665179
Title: CUTS: Neural Causal Discovery from Irregular Time-Series Data
Title（参考訳）: CUTS: 不規則時系列データによるニューラル因果発見
Authors: Yuxiao Cheng, Runzhao Yang, Tingxiong Xiao, Zongren Li, Jinli Suo, Kunlun He, Qionghai Dai
Abstract要約: 時系列データからの因果発見は、機械学習における中心的なタスクである。本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
参考スコア（独自算出の注目度）: 27.06531262632836
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal discovery from time-series data has been a central task in machine learning. Recently, Granger causality inference is gaining momentum due to its good explainability and high compatibility with emerging deep neural networks. However, most existing methods assume structured input data and degenerate greatly when encountering data with randomly missing entries or non-uniform sampling frequencies, which hampers their applications in real scenarios. To address this issue, here we present CUTS, a neural Granger causal discovery algorithm to jointly impute unobserved data points and build causal graphs, via plugging in two mutually boosting modules in an iterative framework: (i) Latent data prediction stage: designs a Delayed Supervision Graph Neural Network (DSGNN) to hallucinate and register unstructured data which might be of high dimension and with complex distribution; (ii) Causal graph fitting stage: builds a causal adjacency matrix with imputed data under sparse penalty. Experiments show that CUTS effectively infers causal graphs from unstructured time-series data, with significantly superior performance to existing methods. Our approach constitutes a promising step towards applying causal discovery to real applications with non-ideal observations.
Abstract（参考訳）: 時系列データからの因果発見は、機械学習の中心的なタスクである。近年,新たなディープニューラルネットワークとの互換性が向上し,説明可能性が高くなったため,グレンジャー因果推論が勢いを増している。しかし、既存の方法の多くは構造化された入力データを仮定し、ランダムに欠落したエントリや不均一なサンプリング周波数を持つデータに遭遇した場合に大きく縮退する。この問題に対処するために、CUTS(Neural Granger causal discovery algorithm)を提案する。これは、観測されていないデータポイントを共同でインプットし、2つのモジュールを反復的なフレームワークにプラグインすることで因果グラフを構築するニューラルネットワークである。 (i)潜伏データ予測段階:高次元かつ複雑な分布を持つ非構造化データを幻覚し登録するために遅延監視グラフニューラルネットワーク(dsgnn)を設計する。 (ii)因果グラフフィッティングステージ:疎ペナルティの下で不純データを持つ因果隣接行列を構築する。実験により,CUTSは非構造化時系列データから因果グラフを効果的に推定し,既存の手法よりも優れた性能を示した。提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップである。

関連論文リスト

CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
論文参考訳（メタデータ） (2024-10-03T13:57:08Z)
Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
論文参考訳（メタデータ） (2024-08-25T16:00:44Z)
Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks [12.784885649573994]
時系列データによる因果発見は、スライス内(同時)とスライス間(時差)の両方の因果関係を捉えることを目的としている。我々は, textbfShort-textbfTerm textbfInvariance に着目した勾配に基づく因果探索手法 STIC を提案する。
論文参考訳（メタデータ） (2024-08-15T08:43:28Z)
Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文参考訳（メタデータ） (2024-01-24T03:43:45Z)
CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery [14.092834149864514]
本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
論文参考訳（メタデータ） (2023-10-03T02:29:19Z)
Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文参考訳（メタデータ） (2023-05-16T11:38:19Z)
CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
論文参考訳（メタデータ） (2023-05-10T04:20:36Z)
Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
論文参考訳（メタデータ） (2022-01-09T05:55:47Z)
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)
Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文参考訳（メタデータ） (2021-10-20T14:23:54Z)
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)

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。