論文の概要: Short-term Temporal Dependency Detection under Heterogeneous Event Dynamic with Hawkes Processes

• arxiv url: http://arxiv.org/abs/2305.18412v1
• Date: Sun, 28 May 2023 17:49:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 21:22:47.006583
• Title: Short-term Temporal Dependency Detection under Heterogeneous Event Dynamic with Hawkes Processes
• Title（参考訳）: ホークスプロセスによる異種事象の短期的時間依存性検出
• Authors: Yu Chen, Fengpei Li, Anderson Schneider, Yuriy Nevmyvaka, Asohan Amarasingham, Henry Lam
• Abstract要約: イベントシーケンスデータは、相互に刺激的または抑制的なパターンを示す。 このような時間的依存の信頼性の検出は、科学的調査に不可欠である。 既存の手法では、標準MHP強度を一定のベースラインで直接あるいは非線形に変換する。
• 参考スコア（独自算出の注目度）: 5.793636561230699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many event sequence data exhibit mutually exciting or inhibiting patterns. Reliable detection of such temporal dependency is crucial for scientific investigation. The de facto model is the Multivariate Hawkes Process (MHP), whose impact function naturally encodes a causal structure in Granger causality. However, the vast majority of existing methods use direct or nonlinear transform of standard MHP intensity with constant baseline, inconsistent with real-world data. Under irregular and unknown heterogeneous intensity, capturing temporal dependency is hard as one struggles to distinguish the effect of mutual interaction from that of intensity fluctuation. In this paper, we address the short-term temporal dependency detection issue. We show the maximum likelihood estimation (MLE) for cross-impact from MHP has an error that can not be eliminated but may be reduced by order of magnitude, using heterogeneous intensity not of the target HP but of the interacting HP. Then we proposed a robust and computationally-efficient method modified from MLE that does not rely on the prior estimation of the heterogeneous intensity and is thus applicable in a data-limited regime (e.g., few-shot, no repeated observations). Extensive experiments on various datasets show that our method outperforms existing ones by notable margins, with highlighted novel applications in neuroscience.
• Abstract（参考訳）: 多くのイベントシーケンスデータは相互に刺激的あるいは抑制的なパターンを示す。 このような時間依存の信頼できる検出は科学的調査に不可欠である。 事実上のモデルはマルチ変数ホークスプロセス(MHP)であり、その影響関数はグランガー因果関係の因果構造を自然に符号化する。 しかし、既存の手法の大半は、実世界のデータと矛盾する一定のベースラインを持つ標準MHP強度の直接変換または非線形変換を用いる。 不規則で不均一な強度の下では、相互相互作用の効果と強度変動の影響を区別するのに苦労するため、時間的依存を捉えることは困難である。 本稿では,短期の時間依存検出問題に対処する。 MHPのクロスインパクトに対する最大誤差推定(MLE)は,対象HPではなく相互作用HPのヘテロジニアス強度を用いて,除去できないがマグニチュードで低減できる誤差を有することを示す。 そこで我々は、MLEから修正した頑健で計算効率のよい手法を提案し、不均一強度の事前推定に頼らず、データ制限方式(例:少数ショット、反復観察なし)に適用できることを示した。 様々なデータセットを広範囲に実験した結果,本手法は神経科学における新たな応用が注目され,既存の手法よりも有意なマージンで勝っていることがわかった。

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)
• Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
  観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。 本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
  論文  参考訳（メタデータ） (2024-05-11T04:15:47Z)
• 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)
• Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
  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)
• Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
  国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。 このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。 したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
  論文  参考訳（メタデータ） (2023-07-15T23:53:37Z)
• 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 Temporally Causal Latent Processes from General Temporal Data [22.440008291454287]
  それらの非線形混合物から時間的因果潜在過程を同定できる2つの証明可能な条件を提案する。 種々のデータセットに対する実験結果から, 時間的因果潜在過程が観測変数から確実に同定されることが示された。
  論文  参考訳（メタデータ） (2021-10-11T17:16:19Z)
• 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)
• 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)
• Large-scale nonlinear Granger causality: A data-driven, multivariate approach to recovering directed networks from short time-series data [0.0]
  本稿では,システムコンポーネント間の因果関係を推定するための大規模Granger Causality (lsNGC) アプローチを提案する。 lsNGCは、コンポーネント時系列間の機能的相互依存性に関する明示的な事前仮定を持たないカジュアルな関係を識別する。 我々は,2ノードから34ノードのカオス時系列システムにおいて,ネットワーク構造を復元するlsNGCの能力について検討した。
  論文  参考訳（メタデータ） (2020-09-10T06:27:57Z)

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。