論文の概要: Causal Discovery from Time Series with Hybrids of Constraint-Based and Noise-Based Algorithms
- arxiv url: http://arxiv.org/abs/2306.08765v2
- Date: Tue, 30 Apr 2024 17:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 20:07:22.746427
- Title: Causal Discovery from Time Series with Hybrids of Constraint-Based and Noise-Based Algorithms
- Title（参考訳）: 制約に基づくアルゴリズムと雑音に基づくアルゴリズムのハイブリッドによる時系列からの因果発見
- Authors: Daria Bystrova, Charles K. Assaad, Julyan Arbel, Emilie Devijver, Eric Gaussier, Wilfried Thuiller,
- Abstract要約: 本稿では,制約に基づく手法と雑音に基づく手法のハイブリッド化のための,新しい包括的枠組みを提案する。
フレームワークは2つのクラスに構成されている。第1のクラスでは、真のグラフを含むスーパーグラフを特定するためにノイズベースの戦略を採用し、続いて不要なエッジを排除するための制約ベースの戦略を採用している。
フレームワークの有効性を検証するために、各クラスの2つのアルゴリズムが、シミュレーションデータ、現実的な生態データ、および多様なアプリケーションから得られた実際のデータセットで実験的にテストされる。
- 参考スコア（独自算出の注目度）: 3.160056826111679
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constraint-based methods and noise-based methods are two distinct families of methods proposed for uncovering causal graphs from observational data. However, both operate under strong assumptions that may be challenging to validate or could be violated in real-world scenarios. In response to these challenges, there is a growing interest in hybrid methods that amalgamate principles from both methods, showing robustness to assumption violations. This paper introduces a novel comprehensive framework for hybridizing constraint-based and noise-based methods designed to uncover causal graphs from observational time series. The framework is structured into two classes. The first class employs a noise-based strategy to identify a super graph, containing the true graph, followed by a constraint-based strategy to eliminate unnecessary edges. In the second class, a constraint-based strategy is applied to identify a skeleton, which is then oriented using a noise-based strategy. The paper provides theoretical guarantees for each class under the condition that all assumptions are satisfied, and it outlines some properties when assumptions are violated. To validate the efficacy of the framework, two algorithms from each class are experimentally tested on simulated data, realistic ecological data, and real datasets sourced from diverse applications. Notably, two novel datasets related to Information Technology monitoring are introduced within the set of considered real datasets. The experimental results underscore the robustness and effectiveness of the hybrid approaches across a broad spectrum of datasets.
- Abstract（参考訳）: 制約に基づく手法とノイズに基づく手法は、観測データから因果グラフを明らかにするための2つの異なる方法群である。
しかしどちらも、現実のシナリオでは検証が難しい、あるいは違反される可能性のある強い前提の下で運用されている。
これらの課題に対応するため、仮定違反に対する堅牢性を示す両手法の原則を融合するハイブリッド手法への関心が高まっている。
本稿では,観測時系列から因果グラフを明らかにするために考案された制約に基づく手法と雑音に基づく手法のハイブリッド化のための,新しい包括的枠組みを提案する。
フレームワークは2つのクラスで構成されています。
最初のクラスでは、真のグラフを含むスーパーグラフを特定するためにノイズベースの戦略を採用し、続いて不要なエッジを排除するための制約ベースの戦略を採用している。
第2のクラスでは、制約ベースの戦略を適用してスケルトンを特定し、ノイズベースの戦略を用いて指向する。
この論文は、すべての仮定が満たされているという条件の下で、各クラスに対して理論的保証を提供し、仮定が破られたときのいくつかの特性を概説する。
フレームワークの有効性を検証するために、各クラスの2つのアルゴリズムが、シミュレーションデータ、現実的な生態データ、および多様なアプリケーションから得られた実際のデータセットで実験的にテストされる。
特に、情報技術モニタリングに関連する2つの新しいデータセットが、検討された実際のデータセットのセットに導入されている。
実験結果は、幅広いデータセットにまたがるハイブリッドアプローチの堅牢性と有効性を強調した。
関連論文リスト
- Robust Learning under Hybrid Noise [24.36707245704713]
本稿では,データリカバリの観点からハイブリッドノイズに対処するため,新たな統合学習フレームワーク"Feature and Label Recovery"(FLR)を提案する。
論文 参考訳（メタデータ） (2024-07-04T16:13:25Z) - Integer Programming for Learning Directed Acyclic Graphs from Non-identifiable Gaussian Models [6.54203362045253]
本研究では,連続観測データから有向非巡回グラフを学習する問題について検討する。
中規模の問題を学習するための混合整数プログラミングフレームワークを開発した。
提案手法は最先端のアルゴリズムより優れ,ノイズの不均一性に対して頑健である。
論文 参考訳（メタデータ） (2024-04-19T02:42:13Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳（メタデータ） (2023-07-26T16:19:19Z) - From Causal Pairs to Causal Graphs [1.5469452301122175]
観測データから学習する因果構造は、非自明な課題である。
NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。
本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
論文 参考訳（メタデータ） (2022-11-08T15:28:55Z) - Deep Active Learning with Noise Stability [24.54974925491753]
ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。
本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。
本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
論文 参考訳（メタデータ） (2022-05-26T13:21:01Z) - Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。
両手法の有効性とロバスト性を実証的に示す。
我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文 参考訳（メタデータ） (2022-05-12T17:03:57Z) - Proximal Causal Learning with Kernels: Two-Stage Estimation and Moment
Restriction [39.51144507601913]
我々は近位因果学習の設定に焦点をあてるが、本手法はフレドホルム積分方程式によって特徴づけられるより広い逆問題のクラスを解くのに使うことができる。
我々は,各アルゴリズムに一貫性の保証を提供し,これらの手法が合成データと実世界のタスクをシミュレートしたデータにおいて競争的な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2021-05-10T17:52:48Z) - Learning with Group Noise [106.56780716961732]
グループノイズを用いた学習のための新しいマックスマッチング手法を提案する。
いくつかの学習パラダイムの領域における実世界のデータセットのレンジのパフォーマンスは、Max-Matchingの有効性を示している。
論文 参考訳（メタデータ） (2021-03-17T06:57:10Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳（メタデータ） (2020-08-31T08:41:20Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - The Simulator: Understanding Adaptive Sampling in the
Moderate-Confidence Regime [52.38455827779212]
エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。
適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。
我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
論文 参考訳（メタデータ） (2017-02-16T23:42:02Z)
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。