論文の概要: Deep Learning-based Group Causal Inference in Multivariate Time-series

• arxiv url: http://arxiv.org/abs/2401.08386v1
• Date: Tue, 16 Jan 2024 14:19:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 13:47:00.821451
• Title: Deep Learning-based Group Causal Inference in Multivariate Time-series
• Title（参考訳）: 多変量時系列における深層学習に基づくグループ因果推論
• Authors: Wasim Ahmad, Maha Shadaydeh, Joachim Denzler
• Abstract要約: 多変量時空の非線形系における因果推論は、変数間の関係の複雑な網を遠ざけるのに役立っている。 本研究では,学習した深層ネットワークに対するグループレベルの介入によるモデルの不変性を検証し,変数群の因果方向を推定する。
• 参考スコア（独自算出の注目度）: 8.073449277052495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal inference in a nonlinear system of multivariate timeseries is instrumental in disentangling the intricate web of relationships among variables, enabling us to make more accurate predictions and gain deeper insights into real-world complex systems. Causality methods typically identify the causal structure of a multivariate system by considering the cause-effect relationship of each pair of variables while ignoring the collective effect of a group of variables or interactions involving more than two-time series variables. In this work, we test model invariance by group-level interventions on the trained deep networks to infer causal direction in groups of variables, such as climate and ecosystem, brain networks, etc. Extensive testing with synthetic and real-world time series data shows a significant improvement of our method over other applied group causality methods and provides us insights into real-world time series. The code for our method can be found at:https://github.com/wasimahmadpk/gCause.
• Abstract（参考訳）: 多変量時間系の非線形系における因果推論は、変数間の複雑な関係の網を解き放つのに役立ち、より正確な予測を行い、実世界の複雑なシステムに対する深い洞察を得ることができる。 因果関係法は、多変量系の因果構造を、各変数ペアの因果関係を考慮しつつ、2回以上の直列変数を含む一連の変数や相互作用の集団効果を無視して同定する。 本研究では,学習した深層ネットワークに対するグループレベルの介入によって,気候や生態系,脳ネットワークなどの変数群における因果方向を推定するモデル不変性をテストする。 合成および実世界の時系列データによる広範囲なテストは、他の適用群因果関係法よりも大幅に改善され、実世界の時系列に関する洞察を提供する。 私たちのメソッドのコードは、https://github.com/wasimahmadpk/gCause.com/。

関連論文リスト

• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series [0.6749750044497732]
  多変量時系列における共同独立のカーネルベース統計テストを導入する。 提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。 我々の手法はデータの高次相互作用を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-15T10:38:24Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Causal Inference in Non-linear Time-series using Deep Networks and Knockoff Counterfactuals [8.56007054019834]
  変数の非線形結合は、原因と効果の関係を不正確に推定する主な課題の1つである。 本稿では,非線型因果関係を推定するために,DeepAR(Deep Autoregressive Network)を反実解析と併用することを提案する。
  論文  参考訳（メタデータ） (2021-09-22T16:07:27Z)
• 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)
• Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
  時系列データは、様々な現実世界のアプリケーションで広く使われている。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:16:46Z)
• LAVARNET: Neural Network Modeling of Causal Variable Relationships for Multivariate Time Series Forecasting [18.89688469820947]
  新たなニューラルネットワークベースのアーキテクチャである LAgged VAriable NETwork が提案されている。 これは本質的に潜在ラグ変数の重要性を推定し、それらの高次元表現を組み合わせて将来の値時系列を予測する。 我々のモデルは、気象学、音楽、太陽活動、金融分野のシミュレーションデータセットと4つの実際のデータセットに基づいて、他のベースラインと最先端のニューラルネットワークアーキテクチャと比較した。
  論文  参考訳（メタデータ） (2020-09-02T10:57:28Z)
• Pay Attention to Evolution: Time Series Forecasting with Deep Graph-Evolution Learning [33.79957892029931]
  本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。 Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。 多数のアンサンブル法と古典統計法との比較を行った。
  論文  参考訳（メタデータ） (2020-08-28T20:10:07Z)

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。