論文の概要: Castor: Causal Temporal Regime Structure Learning
- arxiv url: http://arxiv.org/abs/2311.01412v1
- Date: Thu, 2 Nov 2023 17:26:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 12:37:51.832548
- Title: Castor: Causal Temporal Regime Structure Learning
- Title(参考訳): Castor: 因果的時間的レジーム構造学習
- Authors: Abdellah Rahmani, Pascal Frossard
- Abstract要約: CASTOR(Castor)は,多種多様な時系列データから因果関係を学習するためのフレームワークである。
EMアルゴリズムによるスコア関数の気候を通じて、CASTORはレジームの数を推定し、各レジームにおける線形または非線形因果関係を学習する。
- 参考スコア(独自算出の注目度): 58.79788281088465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The task of uncovering causal relationships among multivariate time series
data stands as an essential and challenging objective that cuts across a broad
array of disciplines ranging from climate science to healthcare. Such data
entails linear or non-linear relationships, and usually follow multiple a
priori unknown regimes. Existing causal discovery methods can infer summary
causal graphs from heterogeneous data with known regimes, but they fall short
in comprehensively learning both regimes and the corresponding causal graph. In
this paper, we introduce CASTOR, a novel framework designed to learn causal
relationships in heterogeneous time series data composed of various regimes,
each governed by a distinct causal graph. Through the maximization of a score
function via the EM algorithm, CASTOR infers the number of regimes and learns
linear or non-linear causal relationships in each regime. We demonstrate the
robust convergence properties of CASTOR, specifically highlighting its
proficiency in accurately identifying unique regimes. Empirical evidence,
garnered from exhaustive synthetic experiments and two real-world benchmarks,
confirm CASTOR's superior performance in causal discovery compared to baseline
methods. By learning a full temporal causal graph for each regime, CASTOR
establishes itself as a distinctly interpretable method for causal discovery in
heterogeneous time series.
- Abstract(参考訳): 多変量時系列データ間の因果関係を明らかにするタスクは、気候科学から医療まで幅広い分野にまたがる、必須かつ困難な目標である。
このようなデータには線形または非線形の関係が伴い、通常、複数の未定の体制に従う。
既存の因果発見法は、既知のレジームを持つ異種データから要約因果グラフを推測することができるが、レジームと対応する因果グラフの両方を包括的に学習するのには不足している。
本稿では,異なる因果グラフで表される異種時系列データにおける因果関係を学習するための新しいフレームワークであるCASTORを紹介する。
EMアルゴリズムによるスコア関数の最大化により、CASTORはレジームの数を推定し、各レジームにおける線形あるいは非線形因果関係を学習する。
我々はCASTORの頑健な収束特性を実証し、特異なレシエーションを正確に識別する能力を強調した。
徹底的な合成実験と2つの実世界のベンチマークから得られた実証的な証拠は、CASTORが基礎的な方法と比較して因果発見において優れた性能を示した。
CASTORは、各レシエーションに対する完全な時間的因果グラフを学習することにより、異種時系列における因果発見の明確な解釈可能な方法として自分自身を確立する。
関連論文リスト
- 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) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Heteroscedastic Causal Structure Learning [2.566492438263125]
ガウス雑音下での不連続因果構造学習問題に取り組む。
因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。
その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
論文 参考訳(メタデータ) (2023-07-16T07:53:16Z) - Causal discovery for time series with constraint-based model and PMIME
measure [0.0]
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。
論文 参考訳(メタデータ) (2023-05-31T09:38:50Z) - 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)
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。