論文の概要: Causal Discovery-Driven Change Point Detection in Time Series

• arxiv url: http://arxiv.org/abs/2407.07290v1
• Date: Wed, 10 Jul 2024 00:54:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 18:21:11.927955
• Title: Causal Discovery-Driven Change Point Detection in Time Series
• Title（参考訳）: 時系列における因果発見駆動型変化点検出
• Authors: Shanyun Gao, Raghavendra Addanki, Tong Yu, Ryan A. Rossi, Murat Kocaoglu,
• Abstract要約: 時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
• 参考スコア（独自算出の注目度）: 32.424281626708336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change point detection in time series seeks to identify times when the probability distribution of time series changes. It is widely applied in many areas, such as human-activity sensing and medical science. In the context of multivariate time series, this typically involves examining the joint distribution of high-dimensional data: If any one variable changes, the whole time series is assumed to have changed. However, in practical applications, we may be interested only in certain components of the time series, exploring abrupt changes in their distributions in the presence of other time series. Here, assuming an underlying structural causal model that governs the time-series data generation, we address this problem by proposing a two-stage non-parametric algorithm that first learns parts of the causal structure through constraint-based discovery methods. The algorithm then uses conditional relative Pearson divergence estimation to identify the change points. The conditional relative Pearson divergence quantifies the distribution disparity between consecutive segments in the time series, while the causal discovery method enables a focus on the causal mechanism, facilitating access to independent and identically distributed (IID) samples. Theoretically, the typical assumption of samples being IID in conventional change point detection methods can be relaxed based on the Causal Markov Condition. Through experiments on both synthetic and real-world datasets, we validate the correctness and utility of our approach.
• Abstract（参考訳）: 時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。 人間の活動感覚や医学など、多くの分野で広く使われている。 多変量時系列の文脈では、これは典型的には高次元データの合同分布を調べることを含む: もしある変数が変化すれば、時系列全体が変化したと仮定される。 しかし、実際的な応用では、時系列の特定の構成要素にのみ興味を持ち、他の時系列の存在下での分布の急激な変化を探求する。 本稿では,時系列データ生成の基盤となる構造因果モデルを仮定し,まず制約に基づく探索手法を用いて因果構造の一部を学習する2段階の非パラメトリックアルゴリズムを提案する。 アルゴリズムは条件付き相対的ピアソン偏差推定を用いて変化点を同定する。 条件付き相対的なピアソン偏差は時系列における連続セグメント間の分布格差を定量化し、因果発見法は因果機構に焦点をあてることを可能にし、独立分布と同一分布(IID)サンプルへのアクセスを容易にする。 理論的には、従来の変化点検出法におけるIIDの典型的な仮定は、因果マルコフ条件に基づいて緩和することができる。 合成データセットと実世界のデータセットの両方の実験を通じて、我々のアプローチの正しさと有用性を検証する。

関連論文リスト

• Causal Discovery in Semi-Stationary Time Series [32.424281626708336]
  本研究では,観測時系列における因果関係を発見するための制約に基づく非パラメトリックアルゴリズムを提案する。 このアルゴリズムは離散時系列における因果関係の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-10T00:55:38Z)
• Understanding Time Series Anomaly State Detection through One-Class Classification [13.822504564241454]
  本稿では,一級分類(OCC)による時系列異常検出問題の再検討と定義を試みる。 まず、プロセスと仮説テストを用いて「時系列異常状態検出問題」とその対応する異常を厳密に定義する。 そして、時系列分類データセットを用いて、問題に対応する人工データセットを構築する。 我々は38個の異常検出アルゴリズムをコンパイルし、いくつかのアルゴリズムを修正してこの問題に対処する。
  論文  参考訳（メタデータ） (2024-02-03T03:43:04Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly Detection [2.253268952202213]
  MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。 まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。 このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
  論文  参考訳（メタデータ） (2022-11-01T05:01:34Z)
• 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)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Anomaly Attribution of Multivariate Time Series using Counterfactual Reasoning [7.616400192843963]
  我々は,反実的推論に基づく多変量時系列の新しい帰属スキームを開発した。 MDI(Maximally Divergent Interval)アルゴリズムを用いて異常区間を検出する。
  論文  参考訳（メタデータ） (2021-09-14T10:15:52Z)

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。