論文の概要: DecoR: Deconfounding Time Series with Robust Regression

• arxiv url: http://arxiv.org/abs/2406.07005v2
• Date: Mon, 18 Nov 2024 03:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:30:58.976233
• Title: DecoR: Deconfounding Time Series with Robust Regression
• Title（参考訳）: DecoR:ロバスト回帰による時系列の分離
• Authors: Felix Schur, Jonas Peters,
• Abstract要約: この研究は、第3の観測されていない時系列によって構成される2つの時系列間の因果効果を推定することに焦点を当てる。 本稿では、周波数領域における頑健な線形回帰を用いて因果効果を推定する新しいアプローチである、ロバスト回帰(DecoR)によるデコンウンディングを導入する。 我々は、地球系科学の合成データと実世界のデータの両方に関する実験を通じて、DecoRの有効性を実証する。
• 参考スコア（独自算出の注目度）: 8.02119748947076
• License:
• Abstract: Causal inference on time series data is a challenging problem, especially in the presence of unobserved confounders. This work focuses on estimating the causal effect between two time series that are confounded by a third, unobserved time series. Assuming spectral sparsity of the confounder, we show how in the frequency domain this problem can be framed as an adversarial outlier problem. We introduce Deconfounding by Robust regression (DecoR), a novel approach that estimates the causal effect using robust linear regression in the frequency domain. Considering two different robust regression techniques, we first improve existing bounds on the estimation error for such techniques. Crucially, our results do not require distributional assumptions on the covariates. We can therefore use them in time series settings. Applying these results to DecoR, we prove, under suitable assumptions, upper bounds for the estimation error of DecoR that imply consistency. We demonstrate DecoR's effectiveness through experiments on both synthetic and real-world data from Earth system science. The simulation experiments furthermore suggest that DecoR is robust with respect to model misspecification.
• Abstract（参考訳）: 時系列データに対する因果推論は、特に保存されていない共同創設者の存在において、難しい問題である。 この研究は、第3の観測されていない時系列によって構成される2つの時系列間の因果効果を推定することに焦点を当てる。 共同創設者のスペクトル空間を仮定すると、周波数領域においてこの問題が対向外乱問題としてフレーム化されることを示す。 本稿では、周波数領域における頑健な線形回帰を用いて因果効果を推定する新しいアプローチである、ロバスト回帰(DecoR)によるデコンウンディングを導入する。 2つの異なるロバスト回帰手法を考慮し、まず、そのような手法の推定誤差に関する既存の境界を改良する。 重要なことに、我々の結果は共変量に対する分布的な仮定を必要としない。 そのため、時系列設定で使用できます。 これらの結果をDecoRに適用し、適切な仮定の下で、一貫性を示唆するDecoRの推定誤差の上限を証明した。 我々は、地球系科学の合成データと実世界のデータの両方に関する実験を通じて、DecoRの有効性を実証する。 さらにシミュレーション実験により、DecoRはモデルの不特定性に関して頑健であることが示唆された。

関連論文リスト

• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• A Study of Posterior Stability for Time-Series Latent Diffusion [59.41969496514184]
  まず,後部崩壊により可変オートエンコーダ(VAE)への潜伏拡散が減少し,表現性が低下することを示す。 次に、入力変数に対するリカレントデコーダの感度を定量化する、依存性測度という原則的手法を導入する。 理論的および実証的研究に基づいて,潜伏拡散を延長し,後部が安定な新しい枠組みを導入する。
  論文  参考訳（メタデータ） (2024-05-22T21:54:12Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting [0.0]
  時系列予測はデータサイエンスにおける根本的な課題である。 RNNとCNNを組み合わせた並列ディープラーニングフレームワークを開発した。 3つのデータセットに対する大規模な実験により,本手法の有効性が明らかとなった。
  論文  参考訳（メタデータ） (2023-05-08T17:20:13Z)
• AER: Auto-Encoder with Regression for Time Series Anomaly Detection [12.418290128163882]
  時系列データの異常検出は、様々な産業領域でますます一般的になっている。 最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。 本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
  論文  参考訳（メタデータ） (2022-12-27T17:22:21Z)
• Sequential Causal Effect Variational Autoencoder: Time Series Causal Link Estimation under Hidden Confounding [8.330791157878137]
  観測データから因果関係を推定すると、因果関係は因果関係と誤解されることがある。 本研究では,シークエンシャル因果効果変動オートエンコーダ (SCEVAE) を提案する。
  論文  参考訳（メタデータ） (2022-09-23T09:43:58Z)
• Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
  時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。 本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。 本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
  論文  参考訳（メタデータ） (2022-01-09T05:55:47Z)
• Adjusting for Autocorrelated Errors in Neural Networks for Time Series Regression and Forecasting [10.659189276058948]
  我々は,自己相関係数をモデルパラメータと組み合わせて学習し,自己相関誤差の補正を行う。 時系列回帰では,大規模な実験により,本手法がPrais-Winsten法より優れていることが示された。 実世界の幅広いデータセットを対象とした結果から,ほぼすべてのケースにおいて,本手法が性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T04:25:51Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。