論文の概要: A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity

• arxiv url: http://arxiv.org/abs/2402.16131v1
• Date: Sun, 25 Feb 2024 16:11:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 15:12:25.665807
• Title: A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity
• Title（参考訳）: マルチレベルニューラルグルーガー-カジュアル接続性学習のためのVAEベースのフレームワーク
• Authors: Jiahe Lin, Huitian Lei, George Michailidis
• Abstract要約: 本稿では, 関連系・異種系系の集合において, 成分間の顆粒・因果関係を共同で学習する変分オートエンコーダに基づくフレームワークを提案する。 提案するフレームワークの性能は,複数の合成データ設定に基づいて評価し,個別のシステム学習用に設計された既存手法と比較した。
• 参考スコア（独自算出の注目度）: 15.295157876811066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Granger causality has been widely used in various application domains to capture lead-lag relationships amongst the components of complex dynamical systems, and the focus in extant literature has been on a single dynamical system. In certain applications in macroeconomics and neuroscience, one has access to data from a collection of related such systems, wherein the modeling task of interest is to extract the shared common structure that is embedded across them, as well as to identify the idiosyncrasies within individual ones. This paper introduces a Variational Autoencoder (VAE) based framework that jointly learns Granger-causal relationships amongst components in a collection of related-yet-heterogeneous dynamical systems, and handles the aforementioned task in a principled way. The performance of the proposed framework is evaluated on several synthetic data settings and benchmarked against existing approaches designed for individual system learning. The method is further illustrated on a real dataset involving time series data from a neurophysiological experiment and produces interpretable results.
• Abstract（参考訳）: グランガー因果関係は、複雑な力学系の構成要素間の鉛-ラグ関係を捉えるために様々なアプリケーション領域で広く用いられており、現存する文献は単一の力学系に焦点をあてている。 マクロ経済学や神経科学の特定の応用において、関連するシステムの集合からデータにアクセスでき、興味のあるモデリングのタスクは、それらに埋め込まれた共有共通構造を抽出し、個々のシステム内での慣用性を特定することである。 本稿では,関連のあるyet-heterogenous dynamical systems の集合において,コンポーネント間のグランジャー・コーパス関係を協調的に学習し,上記のタスクを原理的に処理する,変分オートエンコーダ(vae)ベースのフレームワークを提案する。 提案フレームワークの性能は,複数の合成データ設定に基づいて評価し,個別のシステム学習用に設計された既存手法と比較した。 この方法は、神経生理学的実験からの時系列データを含む実際のデータセット上でさらに説明され、解釈可能な結果を生成する。

関連論文リスト

• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Compositional Models for Estimating Causal Effects [0.9208007322096533]
  構造系における個々の治療効果を推定するための構成的アプローチについて検討する。 このアプローチでは、モジュールアーキテクチャを使用して、各コンポーネントの潜在的な成果をモデル化する。 我々は因果推論における構成的アプローチの新たな利点を発見した。
  論文  参考訳（メタデータ） (2024-06-25T16:56:17Z)
• An Interventional Perspective on Identifiability in Gaussian LTI Systems with Independent Component Analysis [44.892642197610215]
  ガウス線形時間不変 (LTI) システムでは, 多様な干渉信号を導入することで, システムパラメータを同定できることが示されている。 隠れマルコフモデルと(ガウス) LTI 系が連続パラメータを持つコーサル・デ・フィネッティの定理を一般化することを示した。
  論文  参考訳（メタデータ） (2023-11-29T19:51:35Z)
• Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics [6.848555909346641]
  最適復元のための様々な情報ソースを組み合わせるための効率的なフレームワークを提供する。 我々のフレームワークは完全にテキスト生成され、訓練後に、基底真理系と同じ幾何学的、時間的構造を持つ軌道を生成します。
  論文  参考訳（メタデータ） (2022-12-15T15:21:28Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning to Integrate Multimodal and Dynamic Functional Connectomics data for Multidimensional Clinical Characterizations [5.200461964737113]
  静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。 本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。 我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:56Z)
• Neural Entity Linking: A Survey of Models Based on Deep Learning [82.43751915717225]
  本調査では,2015年以降に開発されたニューラルエンティティリンク(EL)システムの包括的記述について報告する。 その目標は、ニューラルエンティティリンクシステムの設計機能を体系化し、それらのパフォーマンスを一般的なベンチマーク上の注目すべき古典的手法と比較することである。 この調査はエンティティリンクの応用に焦点をあて、最近出現した、深い事前訓練されたマスキング言語モデルを強化するユースケースに焦点を当てている。
  論文  参考訳（メタデータ） (2020-05-31T18:02:26Z)
• Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
  本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
  論文  参考訳（メタデータ） (2020-01-13T03:45:21Z)

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。