Fugu-MT 論文翻訳(概要): Granger Causality in Extremes

論文の概要: Granger Causality in Extremes

arxiv url: http://arxiv.org/abs/2407.09632v1
Date: Fri, 12 Jul 2024 18:41:07 GMT
ステータス: 処理完了
システム内更新日: 2024-07-16 21:28:05.292177
Title: Granger Causality in Extremes
Title（参考訳）: 極端における顆粒の因果関係
Authors: Juraj Bodik, Olivier Pasche,
Abstract要約: 時系列における極端な事象から因果関係を特定するための厳密な枠組みを導入する。本フレームワークは, 因果尾係数を利用して, 主に極端な事象から因果関係を推定するように設計されている。また,データから極端にグランガー因果性が存在することを検出する新しい推論手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a rigorous mathematical framework for Granger causality in extremes, designed to identify causal links from extreme events in time series. Granger causality plays a pivotal role in uncovering directional relationships among time-varying variables. While this notion gains heightened importance during extreme and highly volatile periods, state-of-the-art methods primarily focus on causality within the body of the distribution, often overlooking causal mechanisms that manifest only during extreme events. Our framework is designed to infer causality mainly from extreme events by leveraging the causal tail coefficient. We establish equivalences between causality in extremes and other causal concepts, including (classical) Granger causality, Sims causality, and structural causality. We prove other key properties of Granger causality in extremes and show that the framework is especially helpful under the presence of hidden confounders. We also propose a novel inference method for detecting the presence of Granger causality in extremes from data. Our method is model-free, can handle non-linear and high-dimensional time series, outperforms current state-of-the-art methods in all considered setups, both in performance and speed, and was found to uncover coherent effects when applied to financial and extreme weather observations.
Abstract（参考訳）: 本稿では,時系列における極端事象からの因果関係の同定を目的とした,極端におけるグランガー因果関係の厳密な数学的枠組みを提案する。グランガー因果関係は、時間変化変数間の方向関係を明らかにする上で重要な役割を果たす。この概念は極端かつ非常に不安定な期間に重要性を増すが、最先端の手法は主に分布の本体内の因果性に焦点を当てており、しばしば極端な出来事にのみ現れる因果的メカニズムを見落としている。本フレームワークは, 因果尾係数を利用して, 主に極端な事象から因果関係を推定するように設計されている。我々は、極端な因果関係と(古典的な)グランガー因果関係、シムズ因果関係、構造因果関係などの他の因果関係の概念の等価性を確立する。 Grangerの因果関係の他の重要な性質を極端に証明し、このフレームワークが隠れた共同創設者の存在下で特に有用であることを示す。また,データから極端にグランガー因果性が存在することを検出する新しい推論手法を提案する。提案手法はモデルフリーであり, 非線形・高次元時系列処理が可能であり, 性能, 速度の両面において, 現状の手法よりも優れており, 財務・極端気象観測におけるコヒーレントな効果を明らかにすることができた。

関連論文リスト

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)
Learning Granger Causality from Instance-wise Self-attentive Hawkes Processes [24.956802640469554]
インスタンスワイド・セルフアテンティブ・ホークス・プロセス(ISAHP)は、インスタンスレベルでGranger因果関係を直接推測できる新しいディープラーニングフレームワークである。 ISAHPは、古典的なモデルでは扱えない複雑なインスタンスレベルの因果構造を発見することができる。
論文参考訳（メタデータ） (2024-02-06T05:46:51Z)
A Measure-Theoretic Axiomatisation of Causality [55.6970314129444]
我々は、コルモゴロフの確率の測度理論的公理化を因果関係の公理化への出発点とすることを好んで論じる。提案するフレームワークは測度理論に厳格に根ざしているが,既存のフレームワークの長期的制限にも光を当てている。
論文参考訳（メタデータ） (2023-05-19T13:15:48Z)
Structural Hawkes Processes for Learning Causal Structure from Discrete-Time Event Sequences [36.76562861154494]
提案手法は,確率関数の最小化最大化とスパース最適化方式を特徴とする。その結果、即時効果は呪いではなく祝福であり、因果構造は即時効果の存在下で識別可能であることが明らかとなった。
論文参考訳（メタデータ） (2023-05-10T08:52:07Z)
Deep Recurrent Modelling of Granger Causality with Latent Confounding [0.0]
本稿では,非線形なGranger因果関係をモデル化するためのディープラーニングに基づくアプローチを提案する。我々は,非線形時系列におけるモデル性能を実演し,その要因と効果を異なる時間ラグで示す。
論文参考訳（メタデータ） (2022-02-23T03:26:22Z)
Causal Inference Principles for Reasoning about Commonsense Causality [93.19149325083968]
コモンセンス因果推論(Commonsense causality reasoning)は、平均的な人によって妥当と見なされる自然言語記述における妥当な原因と影響を特定することを目的としている。既存の作業は通常、深い言語モデルに全面的に依存しており、共起を混同する可能性がある。古典的因果原理に触発され,我々はCCRの中心的問題を明確にし,観察研究と自然言語における人間の対象間の類似性を引き出す。本稿では,時間信号をインシデント・インシデント・インシデント・インシデント・インシデントとして活用する新しいフレームワークであるROCKをReason O(A)bout Commonsense K(C)ausalityに提案する。
論文参考訳（メタデータ） (2022-01-31T06:12:39Z)
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文参考訳（メタデータ） (2021-06-14T17:52:49Z)
Granger Causality: A Review and Recent Advances [10.66048003460524]
Granger causalityは、多くのアプリケーションドメインで時系列データを解析するための一般的なツールとなっている。本稿では,初期のアプローチの様々な欠点に対処するための最近の進歩について述べる。
論文参考訳（メタデータ） (2021-05-05T17:37:18Z)
Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
論文参考訳（メタデータ） (2021-02-10T07:48:00Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis [7.627597166844701]
固定時間遅延の仮定を緩和する可変ラグ・グランガー因果関係と可変ラグ・トランスファー・エントロピーを開発する。提案手法では,動的時間ワープ(DTW)の最適ワープパスを用いて,変動ラグ因果関係を推定する。我々の手法は時系列解析のあらゆる領域に適用できる。
論文参考訳（メタデータ） (2020-02-01T14:03:01Z)

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。