論文の概要: Causal Temporal Regime Structure Learning

• arxiv url: http://arxiv.org/abs/2311.01412v2
• Date: Mon, 27 May 2024 12:15:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 10:35:18.105823
• Title: Causal Temporal Regime Structure Learning
• Title（参考訳）: 因果的時間的レジーム構造学習
• Authors: Abdellah Rahmani, Pascal Frossard,
• Abstract要約: 本稿では,各レシスタンスに対してDAG(Directed Acyclic Graph)を同時に学習する,新たな最適化手法(線形)を提案する。 我々は広範囲な実験を行い、その手法が様々な環境における因果発見モデルより一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 49.77103348208835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the challenge of structure learning from multivariate time series that are characterized by a sequence of different, unknown regimes. We introduce a new optimization-based method (CASTOR), that concurrently learns the Directed Acyclic Graph (DAG) for each regime and determine the number of regimes along with their sequential arrangement. Through the optimization of a score function via an expectation maximization (EM) algorithm, CASTOR alternates between learning the regime indices (Expectation step) and inferring causal relationships in each regime (Maximization step). We further prove the identifiability of regimes and DAGs within the CASTOR framework. We conduct extensive experiments and show that our method consistently outperforms causal discovery models across various settings (linear and nonlinear causal relationships) and datasets (synthetic and real data).
• Abstract（参考訳）: 本稿では,多変量時系列からの構造学習の課題に対処する。 本稿では,各レシスタンスに対してDAG(Directed Acyclic Graph)を並列に学習し,シーケンシャルなアレンジとともにレシスタンス数を決定する,新たな最適化ベース手法(CASTOR)を提案する。 期待最大化(EM)アルゴリズムによるスコア関数の最適化により、CASTORはレジーム指標の学習(探索ステップ)と各レジームの因果関係の推測(最大化ステップ)を交互に行う。 さらに、CASTORフレームワーク内でのレギュラーとDAGの識別可能性について検証する。 提案手法は,様々な設定(線形および非線形因果関係)やデータセット(合成および実データ)において,因果発見モデルより一貫して優れていることを示す。

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。