論文の概要: Graphical estimation of multivariate count time series
- arxiv url: http://arxiv.org/abs/2302.08801v1
- Date: Fri, 17 Feb 2023 10:54:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 15:12:35.674211
- Title: Graphical estimation of multivariate count time series
- Title（参考訳）: 多変量カウント時系列のグラフィカル推定
- Authors: Sathish Vurukonda, Debraj Chakraborty, Siuli Mukhopadhyay
- Abstract要約: このアルゴリズムは、ムンバイ大都市各区のデング病の計測値に適用される。
病状数は比較的少ないものの, 特別な病棟がデング熱の源泉として広がることが観察された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problems of selecting partial correlation and causality graphs for count
data are considered. A parameter driven generalized linear model is used to
describe the observed multivariate time series of counts. Partial correlation
and causality graphs corresponding to this model explain the dependencies
between each time series of the multivariate count data. In order to estimate
these graphs with tunable sparsity, an appropriate likelihood function
maximization is regularized with an l1-type constraint. A novel MCEM algorithm
is proposed to iteratively solve this regularized MLE. Asymptotic convergence
results are proved for the sequence generated by the proposed MCEM algorithm
with l1-type regularization. The algorithm is first successfully tested on
simulated data. Thereafter, it is applied to observed weekly dengue disease
counts from each ward of Greater Mumbai city. The interdependence of various
wards in the proliferation of the disease is characterized by the edges of the
inferred partial correlation graph. On the other hand, the relative roles of
various wards as sources and sinks of dengue spread is quantified by the number
and weights of the directed edges originating from and incident upon each ward.
From these estimated graphs, it is observed that some special wards act as
epicentres of dengue spread even though their disease counts are relatively
low.
- Abstract（参考訳）: カウントデータに対する部分相関と因果グラフの選択の問題点を考察する。
パラメータ駆動一般化線形モデルは観測された多変量数数の時系列を記述するために用いられる。
このモデルに対応する部分相関と因果関係グラフは、多変量カウントデータの各時系列間の依存関係を説明する。
これらのグラフを調整可能な間隔で推定するために、適切な確率関数の最大化をl1型制約で正規化する。
この正規化MLEを反復的に解くために,新しいMCEMアルゴリズムを提案する。
L1型正規化を用いた提案MCEMアルゴリズムにより生成されたシーケンスに対して漸近収束結果が証明された。
このアルゴリズムはシミュレーションデータで最初にテストされた。
その後, ムンバイ大都市各区におけるデング病の週数について検討した。
疾患の増殖における各種病棟の相互依存性は、推定された部分相関グラフのエッジによって特徴づけられる。
一方,デングスプレッドの源流としての各種区の相対的役割は,各区に起因する有向端の数と重みによって定量化される。
これらの推定値から, 病状数は比較的少ないものの, デングの表層部として機能する特別区が存在することが明らかとなった。
関連論文リスト
- 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) - Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.402342914903391]
本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。
CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。
CGADは、15%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-12-15T01:35:00Z) - Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting [0.0]
動的時系列間グラフのリストに基づく時系列異常検出フレームワークDyGraphADを提案する。
中心となる考え方は、シリーズ間関係とシリーズ間時間パターンの正常状態から異常状態へのずれに基づいて異常を検出することである。
実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-02-04T01:27:01Z) - Partial Identification of Treatment Effects with Implicit Generative
Models [20.711877803169134]
暗黙的生成モデルを用いた一般的な因果グラフにおける平均治療効果(ATE)の部分的同定法を提案する。
線形構造因果モデルにおいて,我々のアルゴリズムは ATE 上の厳密な境界に収束することを示す。
論文 参考訳（メタデータ） (2022-10-14T22:18:00Z) - Low-Rank Covariance Completion for Graph Quilting with Applications to Functional Connectivity [8.500141848121782]
多くのカルシウムイメージングデータセットでは、ニューロンの全個体数は同時に記録されるのではなく、部分的に重なるブロックに記録される。
本稿では、まず、低ランクココンプリートを用いた原子核構造行列を暗示するグラフ量子化法について述べる。
カルシウムイメージングデータから接続性を推定するためのこれらの手法の有効性を示す。
論文 参考訳（メタデータ） (2022-09-17T08:03:46Z) - 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) - Inferring extended summary causal graphs from observational time series [4.263043028086137]
時系列間の差分を決定するために,情報理論の手法を用いている。
本手法の動作は,シミュレーションおよび実データを用いたいくつかの実験を通して説明される。
論文 参考訳（メタデータ） (2022-05-19T09:39:57Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。
非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
論文 参考訳（メタデータ） (2020-07-25T04:16:34Z) - A Robust Functional EM Algorithm for Incomplete Panel Count Data [66.07942227228014]
完全無作為な仮定(MCAR)の下での数え上げ過程の平均関数を推定する機能的EMアルゴリズムを提案する。
提案アルゴリズムは、いくつかの一般的なパネル数推定手法をラップし、不完全数にシームレスに対処し、ポアソン過程の仮定の誤特定に頑健である。
本稿では, 数値実験による提案アルゴリズムの有用性と喫煙停止データの解析について述べる。
論文 参考訳（メタデータ） (2020-03-02T20:04:38Z)
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。