論文の概要: Deciphering interventional dynamical causality from non-intervention systems

• arxiv url: http://arxiv.org/abs/2407.01621v1
• Date: Sat, 29 Jun 2024 03:17:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 20:02:00.740538
• Title: Deciphering interventional dynamical causality from non-intervention systems
• Title（参考訳）: 非干渉系からの干渉力学因果関係の解読
• Authors: Jifan Shi, Yang Li, Juan Zhao, Siyang Leng, Kazuyuki Aihara, Luonan Chen, Wei Lin,
• Abstract要約: 非干渉システムのためのインターベンショナル動的因果性(Interventional Dynamical Causality, IntDC)というフレームワークを提案する。 IEE基準は、観測(非干渉)時系列データのみから、理論的に数値的にIntDCの解読を可能にする。 実世界のシステムと同様に、ベンチマークシミュレーションシステム上でのIEEの精度と堅牢性を示した。
• 参考スコア（独自算出の注目度）: 8.787451281894251
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting and quantifying causality is a focal topic in the fields of science, engineering, and interdisciplinary studies. However, causal studies on non-intervention systems attract much attention but remain extremely challenging. To address this challenge, we propose a framework named Interventional Dynamical Causality (IntDC) for such non-intervention systems, along with its computational criterion, Interventional Embedding Entropy (IEE), to quantify causality. The IEE criterion theoretically and numerically enables the deciphering of IntDC solely from observational (non-interventional) time-series data, without requiring any knowledge of dynamical models or real interventions in the considered system. Demonstrations of performance showed the accuracy and robustness of IEE on benchmark simulated systems as well as real-world systems, including the neural connectomes of C. elegans, COVID-19 transmission networks in Japan, and regulatory networks surrounding key circadian genes.
• Abstract（参考訳）: 因果性の検出と定量化は、科学、工学、学際研究の分野において焦点となるトピックである。 しかしながら、非干渉システムに関する因果的研究は、多くの注目を集めているが、非常に難しいままである。 この課題に対処するために、そのような非干渉システムに対するインターベンショナル・ダイナミック・コーサリティ(Interventional Dynamical Causality, IntDC)というフレームワークと、その計算基準であるインターベンショナル・エントロピー(Interventional Embedding Entropy, IEE)を提案する。 IEE基準は理論的に数値的に、動的モデルや考慮されたシステムにおける実際の介入の知識を必要とせず、観測的な(非干渉的な)時系列データのみからIntDCの解読を可能にする。 C. elegansの神経コネクトーム,日本の新型コロナウイルス感染ネットワーク,および主要な概日遺伝子を取り巻く規制ネットワークなど,ベンチマークシミュレーションシステムおよび実世界のシステム上でのIEEの精度と堅牢性を示した。

関連論文リスト

• A Practical Approach to Causal Inference over Time [17.660953125689105]
  我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。 因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T13:45:20Z)
• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• Deep learning architectures for data-driven damage detection in nonlinear dynamic systems [0.0]
  本研究は,非線形力学系におけるデータ駆動型損傷検出に応用した深層学習について詳細に検討する。 1次元畳み込みニューラルネットワークを利用するオートエンコーダ(AE)とジェネレーティブ・敵ネットワーク(GAN)が実装されている。
  論文  参考訳（メタデータ） (2024-07-04T07:40:02Z)
• Counterfactual-based Root Cause Analysis for Dynamical Systems [0.33748750222488655]
  本稿では,残留ニューラルネットワークを用いた根本原因同定手法を提案する。 構造方程式と外的影響に介入した場合に、より多くの根本原因が同定されることを示す。 本稿では,提案手法が実世界の河川データセットだけでなく,ベンチマーク・ダイナミック・システムにも有効であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T11:38:13Z)
• Inferring the time-varying coupling of dynamical systems with temporal convolutional autoencoders [0.0]
  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。
  論文  参考訳（メタデータ） (2024-06-05T12:51:20Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• On a Uniform Causality Model for Industrial Automation [61.303828551910634]
  産業自動化の様々な応用分野に対する一様因果モデルを提案する。 得られたモデルは、サイバー物理システムの振る舞いを数学的に記述する。 このモデルは、機械学習に焦点を当てた産業自動化における新しいアプローチの応用の基盤として機能することが示されている。
  論文  参考訳（メタデータ） (2022-09-20T11:23:51Z)
• Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental Systems with Applications to Epidemiological and Additive Manufacturing Problems [58.720142291102135]
  非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。 特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
  論文  参考訳（メタデータ） (2021-10-12T21:42:14Z)
• 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)

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。