論文の概要: Bayesian Factorised Granger-Causal Graphs For Multivariate Time-series
Data
- arxiv url: http://arxiv.org/abs/2402.03614v1
- Date: Tue, 6 Feb 2024 01:01:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 17:07:12.670448
- Title: Bayesian Factorised Granger-Causal Graphs For Multivariate Time-series
Data
- Title(参考訳): 多変量時系列データのためのベイズ因子グランガーカウサルグラフ
- Authors: He Zhao and Edwin V. Bonilla
- Abstract要約: 本稿では,二進グランガー因果グラフに先立って階層グラフを持つ新しいベイズVARモデルを提案する。
我々は,2進グランガー因果グラフの後方推定を効率的に行うアルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 14.548140134410964
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We study the problem of automatically discovering Granger causal relations
from observational multivariate time-series data. Vector autoregressive (VAR)
models have been time-tested for this problem, including Bayesian variants and
more recent developments using deep neural networks. Most existing VAR methods
for Granger causality use sparsity-inducing penalties/priors or post-hoc
thresholds to interpret their coefficients as Granger causal graphs. Instead,
we propose a new Bayesian VAR model with a hierarchical graph prior over binary
Granger causal graphs, separately from the VAR coefficients. We develop an
efficient algorithm to infer the posterior over binary Granger causal graphs.
Our method provides better uncertainty quantification, has less
hyperparameters, and achieves better performance than competing approaches,
especially on sparse multivariate time-series data.
- Abstract(参考訳): 本研究では,多変量時系列データからGranger因果関係を自動的に検出する問題について検討する。
ベクトル自己回帰(VAR)モデルは、ベイズ変種や、より最近のディープニューラルネットワークを用いた開発など、この問題に対してタイムテストされている。
グランガー因果関係のための既存のVAR法は、スパーシリティ誘導法(英語版)またはポストホック閾値を用いて、それらの係数をグランガー因果グラフ(英語版)として解釈する。
代わりに、二元グランガー因果グラフよりも先に階層グラフを持つ新しいベイズ型varモデルを提案する。
我々は,2進グランガー因果グラフの後方推定に有効なアルゴリズムを開発した。
本手法は,不確かさの定量化,ハイパーパラメータの低減,特に疎多変量時系列データにおいて,競合するアプローチよりも優れた性能を実現する。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Learning to Reweight for Graph Neural Network [63.978102332612906]
グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。
既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。
本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
論文 参考訳(メタデータ) (2023-12-19T12:25:10Z) - GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal
Studies [19.312260690210458]
我々は「Granger and LeArning-based CausalIty Analysis for Longitudinal Studies」を意味するGLACIALを提案する。
GLACIALは個人を独立したサンプルとして扱い、ホールドアウト個体の平均予測精度を使用して因果関係の効果をテストする。
合成および実データに関する大規模な実験はGLACIALの有用性を実証している。
論文 参考訳(メタデータ) (2022-10-13T23:42:13Z) - Jacobian Granger Causal Neural Networks for Analysis of Stationary and
Nonstationary Data [19.347558051611827]
本稿では,変数重要度尺度としてヤコビアンを用いた神経ネットワークによるグランガー因果性へのアプローチを提案する。
結果として得られるアプローチは、グランガー因果変数を識別する他のアプローチと比較して一貫してうまく機能する。
論文 参考訳(メタデータ) (2022-05-19T14:07:54Z) - Inference of Multiscale Gaussian Graphical Model [0.0]
階層的なクラスタリング構造と階層のそれぞれのレベルでの独立性構造を記述するグラフを同時に推論する新しい手法を提案する。
実データと合成データの結果が提示される。
論文 参考訳(メタデータ) (2022-02-11T17:11:20Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳(メタデータ) (2021-12-06T03:35:21Z) - T-LoHo: A Bayesian Regularization Model for Structured Sparsity and
Smoothness on Graphs [0.0]
グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。
グラフィカルな関係を持つ高次元パラメータに先立って提案する。
構造された空間と滑らかさを同時に検出するために使用します。
論文 参考訳(メタデータ) (2021-07-06T10:10:03Z) - A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。
本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。
そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
論文 参考訳(メタデータ) (2021-03-01T15:55:58Z) - Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。
特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。
このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
論文 参考訳(メタデータ) (2021-02-10T07:48:00Z) - Dynamic Window-level Granger Causality of Multi-channel Time Series [28.302491046127443]
マルチチャネル時系列データに対する動的ウィンドウレベルグランガー因果関係法(DWGC)を提案する。
本稿では,DWGC法における因果索引付け手法を提案する。
論文 参考訳(メタデータ) (2020-06-14T03:53:42Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z)
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。