論文の概要: Doubly Robust Structure Identification from Temporal Data

• arxiv url: http://arxiv.org/abs/2311.06012v1
• Date: Fri, 10 Nov 2023 11:53:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 15:18:51.015931
• Title: Doubly Robust Structure Identification from Temporal Data
• Title（参考訳）: 時間データからの二重ロバスト構造同定
• Authors: Emmanouil Angelis, Francesco Quinzan, Ashkan Soleymani, Patrick Jaillet, Stefan Bauer
• Abstract要約: 時系列データの原因を学習することは、ファイナンスから地球科学、バイオメディカルアプリケーションまで、多くのアプリケーションにおいて基本的な課題である。 このタスクの一般的なアプローチはベクトル自己回帰に基づいており、潜在的な原因間の未知の矛盾を考慮していない。 時間的データ(SITD)を用いた構造同定のための新しい二重頑健な手法を提案する。
• 参考スコア（独自算出の注目度）: 34.00400857111283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the causes of time-series data is a fundamental task in many applications, spanning from finance to earth sciences or bio-medical applications. Common approaches for this task are based on vector auto-regression, and they do not take into account unknown confounding between potential causes. However, in settings with many potential causes and noisy data, these approaches may be substantially biased. Furthermore, potential causes may be correlated in practical applications. Moreover, existing algorithms often do not work with cyclic data. To address these challenges, we propose a new doubly robust method for Structure Identification from Temporal Data ( SITD ). We provide theoretical guarantees, showing that our method asymptotically recovers the true underlying causal structure. Our analysis extends to cases where the potential causes have cycles and they may be confounded. We further perform extensive experiments to showcase the superior performance of our method.
• Abstract（参考訳）: 時系列データの原因を学ぶことは、金融から地球科学、生物医学まで、多くの応用において基本的な課題である。 このタスクに対する一般的なアプローチはベクトル自己回帰に基づいており、潜在的な原因間の未知の一致を考慮しない。 しかし、多くの潜在的な原因と騒がしいデータを持つ設定では、これらのアプローチは実質的に偏っている可能性がある。 さらに、潜在的な原因は実際の応用で相関する可能性がある。 さらに、既存のアルゴリズムは繰り返しデータを処理しないことが多い。 これらの課題に対処するため,我々は時間的データ( sitd )から構造同定を行う新しい二重ロバストな手法を提案する。 我々は,本手法が真の因果構造を漸近的に回復することを示す理論的保証を提供する。 我々の分析は、潜在的な原因がサイクルを持ち、それらが確立されるケースにまで及んでいる。 さらに,本手法の優れた性能を示すため,広範な実験を行った。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• 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)
• CaRiNG: Learning Temporal Causal Representation under Non-Invertible Generation Process [22.720927418184672]
  非可逆生成時間データのCAusal RepresentatIonを同一性保証付きで学習するための原則的アプローチを提案する。 具体的には、時間的文脈を利用して失われた潜伏情報を復元し、この理論の条件を適用してトレーニングプロセスの指導を行う。
  論文  参考訳（メタデータ） (2024-01-25T22:01:07Z)
• Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
  対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。 既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。 次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
  論文  参考訳（メタデータ） (2023-08-16T07:36:58Z)
• 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)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Causal discovery under a confounder blanket [9.196779204457059]
  観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。 これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。 これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-11T18:10:45Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。