論文の概要: Causal Temporal Regime Structure Learning

• arxiv url: http://arxiv.org/abs/2311.01412v3
• Date: Wed, 19 Feb 2025 17:09:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:56:49.438362
• 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,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 49.77103348208835
• License:
• Abstract: Understanding causal relationships in multivariate time series is essential for predicting and controlling dynamic systems in fields like economics, neuroscience, and climate science. However, existing causal discovery methods often assume stationarity, limiting their effectiveness when time series consist of sequential regimes, consecutive temporal segments with unknown boundaries and changing causal structures. In this work, we firstly introduce a framework to describe and model such time series. Then, we present CASTOR, a novel method that concurrently learns the Directed Acyclic Graph (DAG) for each regime while determining the number of regimes and their sequential arrangement. CASTOR optimizes the data log-likelihood using an expectation-maximization algorithm, alternating between assigning regime indices (expectation step) and inferring causal relationships in each regime (maximization step). We establish the identifiability of the regimes and DAGs within our framework. Extensive experiments show that CASTOR consistently outperforms existing causal discovery models in detecting different regimes and learning their DAGs across various settings, including linear and nonlinear causal relationships, on both synthetic and real world datasets.
• Abstract（参考訳）: 多変量時系列における因果関係を理解することは、経済学、神経科学、気候科学といった分野における力学系の予測と制御に不可欠である。 しかし、既存の因果発見法は定常性を前提としており、時系列が逐次的レシエーション、境界が不明な連続時間セグメント、因果構造が変化する場合の有効性を制限している。 本稿ではまず,このような時系列を記述・モデル化するためのフレームワークを紹介する。 そこで本研究では,各レシスタンスに対するDAG(Directed Acyclic Graph)を同時に学習し,レシスタンス数とシーケンシャルアレンジメントを判定する新しい手法であるCASTORを提案する。 CASTORは、期待最大化アルゴリズムを用いてデータログを最適化し、アサインされたレシエーション指標(探索ステップ)と各レシエーションにおける因果関係(最大ステップ)を交互に推測する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 大規模な実験により、CASTORは既存の因果発見モデルよりずっと優れており、異なる状態を検出し、線形および非線形因果関係を含む様々な設定でDAGを学習している。

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。