論文の概要: Caformer: Rethinking Time Series Analysis from Causal Perspective
- arxiv url: http://arxiv.org/abs/2403.08572v1
- Date: Wed, 13 Mar 2024 14:28:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 14:11:09.944383
- Title: Caformer: Rethinking Time Series Analysis from Causal Perspective
- Title(参考訳): Caformer: 因果的観点からの時系列分析の再考
- Authors: Kexuan Zhang, Xiaobei Zou, Yang Tang
- Abstract要約: 本稿では,因果的観点からの時系列解析のためのCaformerという新しいフレームワークを紹介する。
本フレームワークは,動的学習,環境学習,依存学習という3つのコンポーネントから構成される。
我々のCaformerは5つの主流時系列分析タスクで一貫した最先端性能を示す。
- 参考スコア(独自算出の注目度): 7.354128514581098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series analysis is a vital task with broad applications in various
domains. However, effectively capturing cross-dimension and cross-time
dependencies in non-stationary time series poses significant challenges,
particularly in the context of environmental factors. The spurious correlation
induced by the environment confounds the causal relationships between
cross-dimension and cross-time dependencies. In this paper, we introduce a
novel framework called Caformer (\underline{\textbf{Ca}}usal
Trans\underline{\textbf{former}}) for time series analysis from a causal
perspective. Specifically, our framework comprises three components: Dynamic
Learner, Environment Learner, and Dependency Learner. The Dynamic Learner
unveils dynamic interactions among dimensions, the Environment Learner
mitigates spurious correlations caused by environment with a back-door
adjustment, and the Dependency Learner aims to infer robust interactions across
both time and dimensions. Our Caformer demonstrates consistent state-of-the-art
performance across five mainstream time series analysis tasks, including long-
and short-term forecasting, imputation, classification, and anomaly detection,
with proper interpretability.
- Abstract(参考訳): 時系列解析は様々な分野の幅広い応用において重要な課題である。
しかしながら、非定常時系列におけるクロス次元とクロスタイムの依存関係を効果的に捉えることは、特に環境要因の文脈において大きな課題となる。
環境によって引き起こされる急激な相関は、断面積と時間的依存関係の間の因果関係を混乱させる。
本稿では,因果的観点からの時系列解析のためのCaformer (\underline{\textbf{Ca}}usal Trans\underline{\textbf{former}}) という新しいフレームワークを紹介する。
具体的には,動的学習,環境学習,依存学習という3つのコンポーネントから構成される。
動的学習者は、次元間の動的相互作用を明らかにし、環境学習者は、バックドア調整によって環境によって引き起こされる刺激的な相関を緩和し、依存学習者は、時間と次元の両方にわたる堅牢な相互作用を推論することを目的としている。
我々のCaformerは、長期および短期の予測、計算、分類、異常検出を含む5つの主流時系列分析タスクにおいて、適切な解釈性を備えた一貫した最先端性能を示す。
関連論文リスト
- A Dynamical View of the Question of Why [10.243488468625783]
因果的貢献を計算し、それらを強化学習問題とみなすための2つの重要な補題を提示する。
我々の手法は拡散過程における因果関係の解明と定量化のための形式的および計算ツールを提供する。
かなり複雑な実験やせん断学習によって、我々のフレームワークは因果関係を明らかにし、定量化する。
論文 参考訳(メタデータ) (2024-02-14T18:44:05Z) - Deep Learning-based Group Causal Inference in Multivariate Time-series [8.073449277052495]
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。
論文 参考訳(メタデータ) (2024-01-16T14:19:28Z) - MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate
Time Series Forecasting [18.192600104502628]
時系列データはしばしば、シリーズ内およびシリーズ間相関を示す。
MSGNetの有効性を示すために、複数の実世界のデータセットで大規模な実験が行われた。
論文 参考訳(メタデータ) (2023-12-31T08:23:24Z) - Learning Time-aware Graph Structures for Spatially Correlated Time
Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。
グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。
最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-12-27T04:23:43Z) - Critical Learning Periods Emerge Even in Deep Linear Networks [112.40005682521638]
クリティカルラーニング期間(Critical Learning periods)は、一時的な感覚障害が行動や学習表現に恒久的な影響を及ぼす発達初期の期間である。
生物学的ネットワークと人工ネットワークの急激な違いにもかかわらず、両方のシステムで臨界学習期間が経験的に観察されている。
論文 参考訳(メタデータ) (2023-08-23T16:01:50Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳(メタデータ) (2022-04-25T19:06:48Z) - Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。
このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
論文 参考訳(メタデータ) (2021-10-23T19:57:22Z) - Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。
私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。
将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
論文 参考訳(メタデータ) (2021-01-07T02:41:32Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳(メタデータ) (2020-07-01T17:29:57Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z)
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。