Fugu-MT 論文翻訳(概要): Identifying Nonstationary Causal Structures with High-Order Markov Switching Models

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

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)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
Heteroscedastic Causal Structure Learning [2.566492438263125]
ガウス雑音下での不連続因果構造学習問題に取り組む。因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
論文参考訳（メタデータ） (2023-07-16T07:53:16Z)
Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
本研究では,連続時間モデルから因果構造を抽出する機構を提案する。我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
論文参考訳（メタデータ） (2022-10-10T18:53:13Z)
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)
Causal Discovery from Conditionally Stationary Time Series [18.645887749731923]
State-Dependent Causal Inference (SDCI)は根底にある因果関係を回復することができる。 NBA選手の動きをモデル化した非因果RNNよりも改善した結果,本手法の可能性が示された。
論文参考訳（メタデータ） (2021-10-12T18:12:57Z)
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)
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。