論文の概要: Inferring the time-varying coupling of dynamical systems with temporal convolutional autoencoders

• arxiv url: http://arxiv.org/abs/2406.03212v1
• Date: Wed, 5 Jun 2024 12:51:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 18:30:28.138122
• Title: Inferring the time-varying coupling of dynamical systems with temporal convolutional autoencoders
• Title（参考訳）: 時相畳み込み自己エンコーダによる動的系の時間変化結合の推定
• Authors: Josuan Calderon, Gordon J. Berman,
• Abstract要約: 因果推論のためのテンポラルオートエンコーダ(TACI)を紹介する。 TACIは、2つの頭を持つ新しい機械学習アーキテクチャと因果関係を評価するために、新しい代理データメトリクスを組み合わせる。 TACIが様々なシステム間で動的因果相互作用を正確に定量化できることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most approaches for assessing causality in complex dynamical systems fail when the interactions between variables are inherently non-linear and non-stationary. Here we introduce Temporal Autoencoders for Causal Inference (TACI), a methodology that combines a new surrogate data metric for assessing causal interactions with a novel two-headed machine learning architecture to identify and measure the direction and strength of time-varying causal interactions. Through tests on both synthetic and real-world datasets, we demonstrate TACI's ability to accurately quantify dynamic causal interactions across a variety of systems. Our findings display the method's effectiveness compared to existing approaches and also highlight our approach's potential to build a deeper understanding of the mechanisms that underlie time-varying interactions in physical and biological systems.
• Abstract（参考訳）: 複雑な力学系における因果性を評価するほとんどのアプローチは、変数間の相互作用が本質的に非線形で非定常であるときに失敗する。 因果推論のためのテンポラルオートエンコーダ(TACI: Temporal Autoencoders for Causal Inference)は、因果的相互作用を評価するための新しい代理データメトリクスと、時間変化による因果的相互作用の方向と強さを識別し、測定する新しい2頭部機械学習アーキテクチャを組み合わせた方法論である。 合成データセットと実世界のデータセットの両方のテストを通じて、さまざまなシステム間の動的因果相互作用を正確に定量化するTACIの能力を実証する。 本研究は,本手法の有効性を既存手法と比較して示すとともに,物理的および生物学的システムにおける時間変化の相互作用を過小評価するメカニズムをより深く理解するためのアプローチの可能性を強調した。

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)
• LINOCS: Lookahead Inference of Networked Operators for Continuous Stability [4.508868068781057]
  連続安定のためのネットワーク演算子のルックアヘッド駆動推論(LINOCS)を導入する。 LINOCSはノイズの多い時系列データに隠れた動的相互作用を識別するための頑健な学習手法である。 我々は、LINOCSの合成時系列データに基づく基底真理力学演算子を復元する能力を実証する。
  論文  参考訳（メタデータ） (2024-04-28T18:16:58Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Inference of time-ordered multibody interactions [0.8057006406834466]
  時間的および時間的依存関係を示す複雑なシステムと多体依存関係を記述するために、時間順の多体インタラクションを導入する。 本稿では,ノード状態のシステムレベルダイナミクスを捉えるデータから,これらの相互作用を抽出するアルゴリズムを提案する。 我々は,統計的誤差に対するアルゴリズムの頑健さと,擬似相互作用アンサンブルの推論におけるその効率を実験的に検証した。
  論文  参考訳（メタデータ） (2021-11-29T15:41:06Z)
• 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)
• Divide and Rule: Recurrent Partitioned Network for Dynamic Processes [25.855428321990328]
  多くの動的なプロセスは、物理的システムから社会学的分析まで、相互作用する変数に関与している。 我々のゴールは、部分全体階層を持つシステムを表現し、システム内変数間の暗黙の依存関係を発見することである。 提案アーキテクチャは, (i) 複数のレベルにおける観測の階層的かつ時間的に一貫した表現を抽出する知覚モジュール, (ii) 各レベルにおけるニューロン間の関係性を決定する導出モジュール, (iii)時間分布推定を条件に未来を予測する統計的モジュールからなる。
  論文  参考訳（メタデータ） (2021-06-01T06:45:56Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Neural Relational Inference with Efficient Message Passing Mechanisms [10.329082213561785]
  本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。 すべての関係の共存を捕捉する関係相互作用機構を提案し、エラーの蓄積を緩和するために履歴情報を用いてアテンポラルメッセージパッシング機構を提案する。
  論文  参考訳（メタデータ） (2021-01-23T11:27:31Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)

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。