論文の概要: A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series

• arxiv url: http://arxiv.org/abs/2403.04793v1
• Date: Mon, 4 Mar 2024 14:20:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 22:17:25.265567
• Title: A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series
• Title（参考訳）: 時系列データ駆動型2相マルチスプライト因果関係アンサンブルモデル
• Authors: Zhipeng Ma, Marco Kemmerling, Daniel Buschmann, Chrismarie Enslin, Daniel L\"utticke, Robert H. Schmitt
• Abstract要約: 因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。 一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。 本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.8252665500568257
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal inference is a fundamental research topic for discovering the cause-effect relationships in many disciplines. However, not all algorithms are equally well-suited for a given dataset. For instance, some approaches may only be able to identify linear relationships, while others are applicable for non-linearities. Algorithms further vary in their sensitivity to noise and their ability to infer causal information from coupled vs. non-coupled time series. Therefore, different algorithms often generate different causal relationships for the same input. To achieve a more robust causal inference result, this publication proposes a novel data-driven two-phase multi-split causal ensemble model to combine the strengths of different causality base algorithms. In comparison to existing approaches, the proposed ensemble method reduces the influence of noise through a data partitioning scheme in the first phase. To achieve this, the data are initially divided into several partitions and the base algorithms are applied to each partition. Subsequently, Gaussian mixture models are used to identify the causal relationships derived from the different partitions that are likely to be valid. In the second phase, the identified relationships from each base algorithm are then merged based on three combination rules. The proposed ensemble approach is evaluated using multiple metrics, among them a newly developed evaluation index for causal ensemble approaches. We perform experiments using three synthetic datasets with different volumes and complexity, which are specifically designed to test causality detection methods under different circumstances while knowing the ground truth causal relationships. In these experiments, our causality ensemble outperforms each of its base algorithms. In practical applications, the use of the proposed method could hence lead to more robust and reliable causality results.
• Abstract（参考訳）: 因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。 しかし、すべてのアルゴリズムが与えられたデータセットに等しく適しているわけではない。 例えば、あるアプローチは線形関係のみを識別できるが、他のアプローチは非線形性に適用できる。 アルゴリズムはさらにノイズに対する感度と、結合された時系列対非結合時系列から因果情報を推測する能力に異なる。 したがって、異なるアルゴリズムは、しばしば同じ入力に対して異なる因果関係を生成する。 より堅牢な因果推論結果を達成するために,本論文では,異なる因果基底アルゴリズムの強みを組み合わせた,データ駆動型2相多相因果アンサンブルモデルを提案する。 既存の手法と比較して,提案手法は第1フェーズにおけるデータ分割方式によるノイズの影響を低減する。 これを実現するために、まずデータを複数のパーティションに分割し、各パーティションにベースアルゴリズムを適用する。 その後、ガウス混合モデルは、妥当になりそうな異なる分割から派生した因果関係を同定するために用いられる。 第2フェーズでは、各ベースアルゴリズムから特定された関係を3つの組み合わせルールに基づいてマージする。 提案手法は,複数の指標を用いて評価され,その内,新たに開発された因果的アンサンブルアプローチの評価指標である。 本研究では,異なる状況下で因果関係を知りながら因果関係の検出方法をテストするために,異なるボリュームと複雑さを持つ3つの合成データセットを用いて実験を行った。 これらの実験では、因果関係のアンサンブルはそれぞれの基本アルゴリズムより優れている。 現実的な応用では、提案手法を用いることでより堅牢で信頼性の高い因果関係が得られる。

関連論文リスト

• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• 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)
• A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
  因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。 本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
  論文  参考訳（メタデータ） (2023-03-27T09:21:41Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Algorithms for Solving Nonlinear Binary Optimization Problems in Robust Causal Inference [2.169755083801688]
  連続的な結果を持つ観測データから、堅牢な因果推論テストインスタンスを解くための勾配アルゴリズムを提案する。 実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。
  論文  参考訳（メタデータ） (2020-12-22T16:12:11Z)
• ParKCa: Causal Inference with Partially Known Causes [7.1894784995284144]
  提案手法は,いくつかの因果推論手法と,いくつかの既知の原因および潜在的な原因を含むアプリケーションにおける新たな原因を学習するための組み合わせである。 以上の結果から,ParKCAは既存の方法よりも多くの原因を推測できることがわかった。
  論文  参考訳（メタデータ） (2020-03-17T21:36:56Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。