Fugu-MT 論文翻訳(概要): Unveiling Latent Causal Rules: A Temporal Point Process Approach for Abnormal Event Explanation

論文の概要: Unveiling Latent Causal Rules: A Temporal Point Process Approach for Abnormal Event Explanation

arxiv url: http://arxiv.org/abs/2402.05946v2
Date: Tue, 19 Mar 2024 08:43:29 GMT
ステータス: 処理完了
システム内更新日: 2024-03-20 23:21:52.438598
Title: Unveiling Latent Causal Rules: A Temporal Point Process Approach for Abnormal Event Explanation
Title（参考訳）: 潜伏因果規則:異常事象説明のための一時的点過程アプローチ
Authors: Yiling Kuang, Chao Yang, Yang Yang, Shuang Li,
Abstract要約: 本稿では,観測事象を説明するために,「if-then」論理規則を探索する自動手法を提案する。我々はこれを達成するために期待最大化(EM)アルゴリズムを用いる。提案手法は,ルールの発見と根本原因の同定の両方において,正確な性能を示す。
参考スコア（独自算出の注目度）: 12.566170237971962
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In high-stakes systems such as healthcare, it is critical to understand the causal reasons behind unusual events, such as sudden changes in patient's health. Unveiling the causal reasons helps with quick diagnoses and precise treatment planning. In this paper, we propose an automated method for uncovering "if-then" logic rules to explain observational events. We introduce temporal point processes to model the events of interest, and discover the set of latent rules to explain the occurrence of events. To achieve this, we employ an Expectation-Maximization (EM) algorithm. In the E-step, we calculate the likelihood of each event being explained by each discovered rule. In the M-step, we update both the rule set and model parameters to enhance the likelihood function's lower bound. Notably, we optimize the rule set in a differential manner. Our approach demonstrates accurate performance in both discovering rules and identifying root causes. We showcase its promising results using synthetic and real healthcare datasets.
Abstract（参考訳）: 医療などのハイテイクシステムでは、患者の健康の急激な変化など、異常な出来事の因果関係を理解することが重要である。原因を解明することは、迅速な診断と正確な治療計画に役立つ。本稿では,観測事象を説明するために,「if-then」論理規則を探索する自動手法を提案する。興味のある事象をモデル化するための時間的ポイントプロセスを導入し、イベントの発生を説明するための潜在ルールのセットを発見します。これを実現するために、期待最大化(EM)アルゴリズムを用いる。 E-stepでは、各事象が発見されるルールによって説明される可能性を計算する。 M-ステップでは、ルールセットとモデルパラメータの両方を更新し、可能性関数の下位境界を強化する。特に、ルールセットを微分的に最適化する。提案手法は,ルールの発見と根本原因の同定の両方において,正確な性能を示す。人工的および実際の医療データセットを用いて、有望な結果を示す。

関連論文リスト

xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-06-28T09:06:52Z)
Data is Moody: Discovering Data Modification Rules from Process Event Logs [31.187669045960085]
本稿では, 正確で簡潔なif-thenが, プロセスのデータの修正方法を規定するアルゴリズムを提案する。 Moodyは、コンパクトで解釈可能なルールを見つけ、正確な発見のためのデータはほとんど必要とせず、ノイズに対して堅牢である。
論文参考訳（メタデータ） (2023-12-22T10:00:50Z)
Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
論文参考訳（メタデータ） (2022-12-22T17:40:13Z)
Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文参考訳（メタデータ） (2022-10-24T07:54:13Z)
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文参考訳（メタデータ） (2022-05-27T09:59:46Z)
Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
論文参考訳（メタデータ） (2022-02-11T01:29:02Z)
Counterfactual Explanations in Sequential Decision Making Under Uncertainty [27.763369810430653]
本研究では, 逐次的意思決定プロセスにおいて, 対実的説明を求める手法を開発した。我々の問題定式化において、反実的説明は、少なくとも k 個の作用において異なる作用の別の列を特定する。提案アルゴリズムは,不確実性の下での意思決定の促進に有用な洞察を与えることができることを示す。
論文参考訳（メタデータ） (2021-07-06T17:38:19Z)
Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文参考訳（メタデータ） (2021-04-16T07:29:04Z)
Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete Events Based On Autoencoder [5.781280693720236]
侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
論文参考訳（メタデータ） (2020-12-27T16:31:05Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
Discovering Reliable Causal Rules [27.221938979891384]
我々は、複雑なシステムで実行された場合、望ましい結果をもたらすポリシーや規則を導出する問題を調査する。観察効果は、しばしば原因となる因果効果を表わさない。本稿では,因果効果の保守的かつ一貫した推定器を提案し,推定器を最大化する効率的かつ正確なアルゴリズムを導出する。
論文参考訳（メタデータ） (2020-09-06T13:08:20Z)

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。