論文の概要: Identifying Nonstationary Causal Structures with High-Order Markov Switching Models
- arxiv url: http://arxiv.org/abs/2406.17698v1
- Date: Tue, 25 Jun 2024 16:38:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 13:41:09.712800
- Title: Identifying Nonstationary Causal Structures with High-Order Markov Switching Models
- Title(参考訳): 高次マルコフスイッチングモデルによる非定常因果構造同定
- Authors: Carles Balsells-Rodas, Yixin Wang, Pedro A. M. Mediano, Yingzhen Li,
- Abstract要約: 時系列における因果発見は急速に発展し、気候科学や神経科学など様々な分野に応用されている。
この研究では、状態依存因果構造を通して非定常性に対処する。
- 参考スコア(独自算出の注目度): 32.86541172199634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal discovery in time series is a rapidly evolving field with a wide variety of applications in other areas such as climate science and neuroscience. Traditional approaches assume a stationary causal graph, which can be adapted to nonstationary time series with time-dependent effects or heterogeneous noise. In this work we address nonstationarity via regime-dependent causal structures. We first establish identifiability for high-order Markov Switching Models, which provide the foundations for identifiable regime-dependent causal discovery. Our empirical studies demonstrate the scalability of our proposed approach for high-order regime-dependent structure estimation, and we illustrate its applicability on brain activity data.
- Abstract(参考訳): 時系列における因果発見は急速に発展し、気候科学や神経科学など様々な分野に応用されている。
従来のアプローチでは定常因果グラフを仮定しており、時間依存効果や異種ノイズを伴う非定常時系列に適応することができる。
この研究では、状態依存因果構造を介して非定常性に対処する。
我々はまず,高次マルコフスイッチングモデルの同定可能性を確立する。
本研究では, 高次構造依存構造推定のための提案手法のスケーラビリティを実証し, 脳活動データに適用可能であることを示す。
関連論文リスト
- Differentiable Causal Discovery For Latent Hierarchical Causal Models [19.373348700715578]
非線形潜在階層因果モデルの同定可能性に関する新しい理論的結果を示す。
我々は,そのようなモデルの構造を効率的に推定する,新しい微分可能な因果探索アルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-11-29T09:08:20Z) - Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection [25.60381244912307]
深層学習に基づくシーケンスモデルは時系列異常検出タスクに広く利用されている。
TSADの能力は、(i)長距離依存をモデル化する能力と(ii)非定常データの存在下での一般化問題という2つの主要な課題によって制限されている。
論文 参考訳(メタデータ) (2024-05-30T08:31:18Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2023-11-02T17:26:49Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - 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) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-19T10:15:00Z) - Causal Discovery from Conditionally Stationary Time Series [14.297325665581353]
我々は,広範囲の非定常時系列を扱う因果探索手法を開発した。
State-Dependent Causal Inference (SDCI)と名付けられた私たちのアプローチは、根底にある因果関係を回復することができる。
非線形粒子相互作用データと遺伝子制御ネットワークに関する実証実験は、SDCIの優れた性能を示す。
論文 参考訳(メタデータ) (2021-10-12T18:12:57Z) - 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) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z) - 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。