論文の概要: Structural Hawkes Processes for Learning Causal Structure from
Discrete-Time Event Sequences
- arxiv url: http://arxiv.org/abs/2305.05986v1
- Date: Wed, 10 May 2023 08:52:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 13:48:19.498468
- Title: Structural Hawkes Processes for Learning Causal Structure from
Discrete-Time Event Sequences
- Title(参考訳): 離散時間事象列から因果構造を学ぶ構造的ホークス過程
- Authors: Jie Qiao, Ruichu Cai, Siyu Wu, Yu Xiang, Keli Zhang, Zhifeng Hao
- Abstract要約: 提案手法は,確率関数の最小化最大化とスパース最適化方式を特徴とする。
その結果、即時効果は呪いではなく祝福であり、因果構造は即時効果の存在下で識別可能であることが明らかとなった。
- 参考スコア(独自算出の注目度): 36.76562861154494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning causal structure among event types from discrete-time event
sequences is a particularly important but challenging task. Existing methods,
such as the multivariate Hawkes processes based methods, mostly boil down to
learning the so-called Granger causality which assumes that the cause event
happens strictly prior to its effect event. Such an assumption is often
untenable beyond applications, especially when dealing with discrete-time event
sequences in low-resolution; and typical discrete Hawkes processes mainly
suffer from identifiability issues raised by the instantaneous effect, i.e.,
the causal relationship that occurred simultaneously due to the low-resolution
data will not be captured by Granger causality. In this work, we propose
Structure Hawkes Processes (SHPs) that leverage the instantaneous effect for
learning the causal structure among events type in discrete-time event
sequence. The proposed method is featured with the minorization-maximization of
the likelihood function and a sparse optimization scheme. Theoretical results
show that the instantaneous effect is a blessing rather than a curse, and the
causal structure is identifiable under the existence of the instantaneous
effect. Experiments on synthetic and real-world data verify the effectiveness
of the proposed method.
- Abstract(参考訳): 離散時間イベントシーケンスからイベントタイプ間の因果構造を学ぶことは特に重要だが難しい課題である。
多変量ホークス過程に基づく方法のような既存の手法は、主に、その原因事象が効果事象より前に厳密に起こると仮定するいわゆるグランガー因果関係の学習に沸騰する。
このような仮定は、特に低解像度で離散時間イベントシーケンスを扱う場合、アプリケーションを超えて維持できない場合が多く、典型的な離散的ホークスプロセスは、主に瞬時効果によって引き起こされる識別可能性の問題、すなわち低解像度データによって同時に発生した因果関係は、グランジャー因果性によっては捉えられない。
本研究では,離散時間イベントシーケンスにおけるイベントタイプ間の因果構造学習に即時効果を利用する構造ホークスプロセス(SHP)を提案する。
提案手法は,確率関数の最小化最大化とスパース最適化スキームを特徴とする。
理論的には、即時効果は呪いではなく祝福であり、因果構造は即時効果の存在下で識別可能である。
合成および実世界のデータ実験により,提案手法の有効性が検証された。
関連論文リスト
- A Dynamical View of the Question of Why [10.243488468625783]
因果的貢献を計算し、それらを強化学習問題とみなすための2つの重要な補題を提示する。
我々の手法は拡散過程における因果関係の解明と定量化のための形式的および計算ツールを提供する。
かなり複雑な実験やせん断学習によって、我々のフレームワークは因果関係を明らかにし、定量化する。
論文 参考訳(メタデータ) (2024-02-14T18:44:05Z) - Detecting Anomalous Events in Object-centric Business Processes via
Graph Neural Networks [55.583478485027]
本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。
まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。
次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
論文 参考訳(メタデータ) (2024-02-14T14:17:56Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Causal Discovery and Prediction: Methods and Algorithms [0.0]
本論文では、各介入の一般的なa-priori評価について紹介する。
任意の因果モデルにおける因果関係を同定する能動学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-18T01:19:37Z) - Clustering-based Identification of Precursors of Extreme Events in
Chaotic Systems [0.0]
力学系の状態における急激かつ急激な高振幅変化は、極端事象と呼ばれる。
カオスシステムにおける希少かつ極端な事象の前駆体を特定するために,データ駆動のモジュラリティに基づくクラスタリング手法の適用性を検討した。
論文 参考訳(メタデータ) (2023-06-20T12:38:38Z) - 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) - Causal Discovery in Hawkes Processes by Minimum Description Length [11.627871646343502]
ホークス過程(英: Hawkes process)は、因果関係の自然な概念を示す時間的点過程のクラスである。
本稿では,多次元ホークス過程における顆粒因果ネットワークの学習問題にアプローチする。
我々は,このアルゴリズムを,合成および実世界の財務データに基づく最先端のベースライン手法と比較した。
論文 参考訳(メタデータ) (2022-06-10T10:16:03Z) - 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) - Dynamic Hawkes Processes for Discovering Time-evolving Communities'
States behind Diffusion Processes [57.22860407362061]
拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。
提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
論文 参考訳(メタデータ) (2021-05-24T08:35:48Z) - THP: Topological Hawkes Processes for Learning Granger Causality on
Event Sequences [31.895008425796792]
本稿では,トポロジカル・ホークス・プロセス(THP)におけるグレンジャー因果学習手法を提案する。
提案手法は,THPのグラフ畳み込みに基づく可能性関数と,その可能性関数の期待最大化によるスパース最適化方式を特徴とする。
論文 参考訳(メタデータ) (2021-05-23T08:33:46Z)
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。