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
- TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。
単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文 参考訳(メタデータ) (2024-04-01T20:33:29Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - 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) - Modeling Regime Shifts in Multiple Time Series [1.4588552933974936]
レジームシフト(Regime shift)とは、時系列によって異なる時間間隔で表される変動行動を指す。
既存の手法では、時系列間の関係を考慮に入れず、複数の時系列における状態の発見に失敗する。
既存のメソッドのほとんどは、統一されたフレームワークでこれらの3つの問題すべてを扱うことができません。
論文 参考訳(メタデータ) (2021-09-20T17:02:29Z) - Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching [2.8579459256051316]
我々はDeep Switching State Space Model(DS$3$M)として知られる新しいモデリングフレームワークを紹介する。
このフレームワークは、動的に隠された不規則な状態を特定しながら、そのような時系列の正確な予測を行うように設計されている。
本研究は,DS$3$Mの短期および長期の予測テストを通じて,シミュレーションおよび実世界の幅広いデータセット上でのDS$3$Mの有効性とレギュラー識別能力を検証する。
論文 参考訳(メタデータ) (2021-06-04T08:25:47Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z)
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。