論文の概要: Causal discovery for time series with constraint-based model and PMIME measure

• arxiv url: http://arxiv.org/abs/2305.19695v1
• Date: Wed, 31 May 2023 09:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 17:29:29.985402
• Title: Causal discovery for time series with constraint-based model and PMIME measure
• Title（参考訳）: 制約モデルとPMIMEを用いた時系列の因果発見
• Authors: Antonin Arsac, Aurore Lomet and Jean-Philippe Poli
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causality defines the relationship between cause and effect. In multivariate time series field, this notion allows to characterize the links between several time series considering temporal lags. These phenomena are particularly important in medicine to analyze the effect of a drug for example, in manufacturing to detect the causes of an anomaly in a complex system or in social sciences... Most of the time, studying these complex systems is made through correlation only. But correlation can lead to spurious relationships. To circumvent this problem, we present in this paper a novel approach for discovering causality in time series data that combines a causal discovery algorithm with an information theoretic-based measure. Hence the proposed method allows inferring both linear and non-linear relationships and building the underlying causal graph. We evaluate the performance of our approach on several simulated data sets, showing promising results.
• Abstract（参考訳）: 因果関係は原因と効果の関係を定義する。 多変量時系列場において、この概念は時間ラグを考慮した複数の時系列間のリンクを特徴付けることができる。 これらの現象は、例えば、複雑なシステムや社会科学における異常の原因を検出する製造において、薬物の効果を分析するために特に重要である。 ほとんどの場合、これらの複雑なシステムの研究は相関のみによって行われる。 しかし、相関関係はスプリアスな関係に繋がる可能性がある。 この問題を回避するため,本論文では,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。 したがって,線形関係と非線形関係の両方を推定し,基礎となる因果グラフを構築することができる。 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。

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)
• TC-GAT: Graph Attention Network for Temporal Causality Discovery [6.974417592057705]
  因果関係はしばしば時間的要素と絡み合っており、原因から効果への進行は瞬間的ではなく、時間的次元において収束している。 本稿では,時間的・因果関係を統合したテキストから因果関係を抽出する手法を提案する。 本稿では,時間的関係に重みを割り当てるグラフアテンション機構を採用し,因果知識グラフを利用して隣接行列を決定する新しいモデルTC-GATを提案する。
  論文  参考訳（メタデータ） (2023-04-21T02:26:42Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• 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)
• 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)
• Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
  本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
  論文  参考訳（メタデータ） (2021-10-23T19:57:22Z)
• 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)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。