論文の概要: Learning the Causal Structure of Networked Dynamical Systems under Latent Nodes and Structured Noise

• arxiv url: http://arxiv.org/abs/2312.05974v3
• Date: Mon, 12 Feb 2024 14:17:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 21:19:26.251554
• Title: Learning the Causal Structure of Networked Dynamical Systems under Latent Nodes and Structured Noise
• Title（参考訳）: 潜在ノードと構造騒音下におけるネットワーク力学系の因果構造学習
• Authors: Augusto Santos, Diogo Rente, Rui Seabra and Jos\'e M. F. Moura
• Abstract要約: 本稿では,そのノードの時系列データから線形ネットワーク力学系(NDS)の隠れ因果ネットワークを学習する。 NDSのダイナミクスは、一対のノード間で急激な関連を生み出す色付きノイズによって駆動され、問題をはるかに困難にしている。 ノイズ相関と部分観測可能性の課題に対処するため,観測ノードの時系列データから計算した特徴ベクトルを各ノードに割り当てる。
• 参考スコア（独自算出の注目度）: 2.362288417229025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers learning the hidden causal network of a linear networked dynamical system (NDS) from the time series data at some of its nodes -- partial observability. The dynamics of the NDS are driven by colored noise that generates spurious associations across pairs of nodes, rendering the problem much harder. To address the challenge of noise correlation and partial observability, we assign to each pair of nodes a feature vector computed from the time series data of observed nodes. The feature embedding is engineered to yield structural consistency: there exists an affine hyperplane that consistently partitions the set of features, separating the feature vectors corresponding to connected pairs of nodes from those corresponding to disconnected pairs. The causal inference problem is thus addressed via clustering the designed features. We demonstrate with simple baseline supervised methods the competitive performance of the proposed causal inference mechanism under broad connectivity regimes and noise correlation levels, including a real world network. Further, we devise novel technical guarantees of structural consistency for linear NDS under the considered regime.
• Abstract（参考訳）: 本稿では,線形ネットワーク型力学系(NDS)の隠れ因果ネットワークを,そのノードの一部の時系列データから学習する。 NDSのダイナミクスは、一対のノード間で急激な関連を生み出す色付きノイズによって駆動され、問題をはるかに難しくする。 ノイズ相関と部分可観測性の課題に対処するため,観測ノードの時系列データから計算した特徴ベクトルを各ノードに割り当てる。 特徴の集合を一貫して分割するアフィン超平面が存在し、接続されたノードのペアに対応する特徴ベクトルと非連結なペアに対応するものとを分離する。 従って因果推論問題は、設計された特徴をクラスタリングすることで解決される。 単純なベースライン教師付き手法を用いて,実世界ネットワークを含む広帯域接続環境と雑音相関レベル下での因果推論機構の競合性能を実証する。 さらに,線形NDSにおける構造整合性の新たな技術的保証を考察した。

関連論文リスト

• AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Inferring the Graph of Networked Dynamical Systems under Partial Observability and Spatially Colored Noise [2.362288417229025]
  ネットワーク動的システム(Networked Dynamical System, NDS)では、各ノードが近隣ノードのダイナミクスと結合されたシステムである。 基盤となるネットワークは多くのアプリケーションで未知であり、観測データから推測されるべきである。
  論文  参考訳（メタデータ） (2023-12-18T16:19:07Z)
• Enhancing the Performance of Neural Networks Through Causal Discovery and Integration of Domain Knowledge [30.666463571510242]
  本研究では,観測変数間の階層的因果構造をニューラルネットワークに符号化し,予測性能を向上させる手法を開発した。 提案手法は、因果性インフォームドニューラルネットワーク(CINN)と呼ばれ、構造因果的知識をニューラルネットワークの層間設計にマッピングする3つのコヒーレントなステップを活用する。
  論文  参考訳（メタデータ） (2023-11-29T01:25:00Z)
• DANI: Fast Diffusion Aware Network Inference with Preserving Topological Structure Property [2.8948274245812327]
  そこで我々は,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。 DANIは、モジュール構造、次数分布、連結成分、密度、クラスタリング係数を含む構造特性を維持しながら、より高い精度と低い実行時間を有する。
  論文  参考訳（メタデータ） (2023-10-02T23:23:00Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Recovering the Graph Underlying Networked Dynamical Systems under Partial Observability: A Deep Learning Approach [7.209528581296429]
  時系列間の依存グラフを復元するグラフ構造同定の問題について検討する。 観測時系列から計算した特徴ベクトルを考案し,これらの特徴が線形分離可能であることを示す。 私たちはこれらの機能を使って畳み込みニューラルネットワーク(CNN)を訓練します。
  論文  参考訳（メタデータ） (2022-08-08T20:32:28Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Convolutional Dynamic Alignment Networks for Interpretable Classifications [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA-Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 コアとなるビルディングブロックは動的アライメントユニット(DAU)で、入力をタスク関連パターンと動的に整合する重みベクトルで線形に変換する。 CoDA-Netsは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-03-31T18:03:53Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)
• Feature-Attention Graph Convolutional Networks for Noise Resilient Learning [20.059242373860013]
  本稿では,ノイズの多いノード内容のネットワークを扱うための特徴注意グラフ畳み込み学習フレームワークであるFA-GCNを提案する。 実験と検証、すなわち異なるノイズレベルは、FA-GCNがノイズのないネットワークとノイズのないネットワークの両方で最先端の手法よりも優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2019-12-26T02:51:55Z)

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。