論文の概要: eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)

• arxiv url: http://arxiv.org/abs/2303.02833v1
• Date: Mon, 6 Mar 2023 01:59:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 17:40:11.244788
• Title: eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
• Title（参考訳）: eCDANs: 自己相関データと非定常データからの効率的な時間因果発見(Student Abstract)
• Authors: Muhammad Hasan Ferdous, Uzma Hasan, Md Osman Gani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3314882635954752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional temporal causal discovery (CD) methods suffer from high dimensionality, fail to identify lagged causal relationships, and often ignore dynamics in relations. In this study, we present a novel constraint-based CD approach for autocorrelated and non-stationary time series data (eCDANs) capable of detecting lagged and contemporaneous causal relationships along with temporal changes. eCDANs addresses high dimensionality by optimizing the conditioning sets while conducting conditional independence (CI) tests and identifies the changes in causal relations by introducing a surrogate variable to represent time dependency. Experiments on synthetic and real-world data show that eCDANs can identify time influence and outperform the baselines.
• Abstract（参考訳）: 従来の因果関係発見(cd)法は高次元に苦しめられ、遅延因果関係の同定に失敗し、しばしば関係のダイナミクスを無視する。 本研究では、時間的変化とともに、ラグや同時の因果関係を検出できる、自己相関性および非定常時系列データ(eCDAN)に対する制約に基づく新しいCD手法を提案する。 eCDANは条件セットを最適化し、条件独立(CI)テストを実行し、時間依存を表す代用変数を導入することで因果関係の変化を特定することで高次元性に対処する。 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。

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)
• Temporally Disentangled Representation Learning under Unknown Nonstationarity [36.71085734964556]
  我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。 経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
  論文  参考訳（メタデータ） (2023-10-28T06:46:03Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• 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)
• CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary Time Series Data [5.130175508025212]
  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。
  論文  参考訳（メタデータ） (2023-02-07T04:13:48Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Independence Testing for Temporal Data [14.25244839642841]
  根本的な問題は、2つの時系列が関連しているかどうかである。 既存のアプローチには、パラメトリックな仮定に依存するような制限があることが多い。 本稿では,時間的データ間の独立性をテストするブロック置換を用いた時間的依存統計法を提案する。
  論文  参考訳（メタデータ） (2019-08-18T17:19:16Z)

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。