論文の概要: A Survey on Causal Discovery Methods for I.I.D. and Time Series Data

• arxiv url: http://arxiv.org/abs/2303.15027v4
• Date: Tue, 12 Mar 2024 20:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 19:26:41.082706
• Title: A Survey on Causal Discovery Methods for I.I.D. and Time Series Data
• Title（参考訳）: I.I.D.と時系列データの因果発見法に関する調査
• Authors: Uzma Hasan, Emam Hossain, Md Osman Gani
• Abstract要約: 因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。 本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
• 参考スコア（独自算出の注目度）: 4.57769506869942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to understand causality from data is one of the major milestones of human-level intelligence. Causal Discovery (CD) algorithms can identify the cause-effect relationships among the variables of a system from related observational data with certain assumptions. Over the years, several methods have been developed primarily based on the statistical properties of data to uncover the underlying causal mechanism. In this study, we present an extensive discussion on the methods designed to perform causal discovery from both independent and identically distributed (I.I.D.) data and time series data. For this purpose, we first introduce the common terminologies used in causal discovery literature and then provide a comprehensive discussion of the algorithms designed to identify causal relations in different settings. We further discuss some of the benchmark datasets available for evaluating the algorithmic performance, off-the-shelf tools or software packages to perform causal discovery readily, and the common metrics used to evaluate these methods. We also evaluate some widely used causal discovery algorithms on multiple benchmark datasets and compare their performances. Finally, we conclude by discussing the research challenges and the applications of causal discovery algorithms in multiple areas of interest.
• Abstract（参考訳）: データから因果関係を理解する能力は、人間レベルの知性の主要なマイルストーンの1つだ。 因果発見(CD)アルゴリズムは、特定の仮定で関連する観測データから、システムの変数間の因果関係を特定できる。 長年にわたり、基礎となる因果メカニズムを明らかにするために、データの統計的性質に基づいたいくつかの手法が開発されてきた。 本研究では,独立および同一分散(I.I.D.)データと時系列データの両方から因果発見を行う手法について,広範囲にわたる議論を行う。 この目的のために,まず,因果発見文献に使用される共通用語を紹介し,異なる設定で因果関係を特定するために設計されたアルゴリズムについて包括的に議論する。 さらに、アルゴリズムのパフォーマンスを評価するために利用可能なベンチマークデータセットや、因果発見を簡単に行うための既製のツールやソフトウェアパッケージ、これらの手法を評価するのに使用される一般的なメトリクスについても論じる。 また、複数のベンチマークデータセット上で広く使われている因果探索アルゴリズムを評価し、それらの性能を比較した。 最後に,様々な分野における因果発見アルゴリズムの研究課題と応用について論じる。

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)
• A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series [0.8252665500568257]
  因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。 一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。 本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-04T14:20:41Z)
• Causal Discovery from Temporal Data: An Overview and New Perspectives [6.251443497694126]
  時間データの分析は、様々なアプリケーションに非常に有用である。 因果的発見 時間的データから因果関係を 学ぶことは 興味深いが 重要な課題だ 本稿では,2つのカテゴリ間の相関関係を定義し,既存のソリューションの体系的概要を提供する。
  論文  参考訳（メタデータ） (2023-03-17T16:45:01Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• 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)
• 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)
• 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)
• On the Sample Complexity of Causal Discovery and the Value of Domain Expertise [0.0]
  因果発見法は、純粋観測データからランダム変数間の因果関係を同定する。 本稿では,CIオラクルを使わずに因果探索アルゴリズムのサンプル複雑性を解析する。 我々の方法では、データサンプルの観点からドメインの専門知識の価値を定量化できます。
  論文  参考訳（メタデータ） (2021-02-05T16:26:17Z)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。