論文の概要: Sortability of Time Series Data

• arxiv url: http://arxiv.org/abs/2407.13313v2
• Date: Tue, 23 Jul 2024 14:34:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 12:19:26.381265
• Title: Sortability of Time Series Data
• Title（参考訳）: 時系列データのソート性
• Authors: Christopher Lohse, Jonas Wahl,
• Abstract要約: 自己相関型定常時系列のデータセットにおいても、変数可能性などのデータセットの特定の特性が生じることを示す。 最も驚くべき発見は、調査対象の現実世界のデータセットが高いバラエティと低いR2$ソータビリティを示していることです。
• 参考スコア（独自算出の注目度）: 2.532202013576547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating the performance of causal discovery algorithms that aim to find causal relationships between time-dependent processes remains a challenging topic. In this paper, we show that certain characteristics of datasets, such as varsortability (Reisach et al. 2021) and $R^2$-sortability (Reisach et al. 2023), also occur in datasets for autocorrelated stationary time series. We illustrate this empirically using four types of data: simulated data based on SVAR models and Erd\H{o}s-R\'enyi graphs, the data used in the 2019 causality-for-climate challenge (Runge et al. 2019), real-world river stream datasets, and real-world data generated by the Causal Chamber of (Gamella et al. 2024). To do this, we adapt var- and $R^2$-sortability to time series data. We also investigate the extent to which the performance of score-based causal discovery methods goes hand in hand with high sortability. Arguably, our most surprising finding is that the investigated real-world datasets exhibit high varsortability and low $R^2$-sortability indicating that scales may carry a significant amount of causal information.
• Abstract（参考訳）: 時間依存プロセス間の因果関係の探索を目的とした因果発見アルゴリズムの性能評価は依然として課題である。 本稿では,自己相関型定常時系列のデータセットにおいても,可変性(Reisach et al 2021)や$R^2$-sortability(Reisach et al 2023)などのデータセットの特徴が生じることを示す。 SVARモデルとErd\H{o}s-R\enyiグラフに基づくシミュレーションデータ、2019年の因果的気候問題(Runge et al 2019)で使用されるデータ、現実世界の河川ストリームデータセット、およびCausal Chamber of (Gamella et al 2024)によって生成された実世界のデータである。 そのため, var- および $R^2$-sortability を時系列データに適用する。 また,スコアに基づく因果探索手法の性能が,高いソート性とともにどの程度向上するかについても検討した。 おそらく最も驚くべき発見は、調査された実世界のデータセットは高いバラツキ性を示し、R^2$-sortabilityはスケールが相当量の因果情報を持つ可能性があることを示すことである。

関連論文リスト

• Optimizing VarLiNGAM for Scalable and Efficient Time Series Causal Discovery [5.430532390358285]
  因果発見は、データの因果関係を特定するように設計されている。 時系列因果発見は、時間的依存と潜在的な時間ラグの影響を考慮する必要があるため、特に困難である。 本研究は大規模データセット処理の実現可能性を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-09T10:52:58Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
  コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。 インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。 本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-04T12:42:45Z)
• A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models [49.038420266408586]
  分散の増加による変数のソートは、しばしば因果順序に近い順序になることを示す。 本稿ではR2$-SortnRegressと呼ばれる,高いR2$-sortabilityを利用する効率的なベースラインアルゴリズムを提案する。 その結果,因果発見に関連するデータ生成プロセスの仮定として,R2$-sortabilityが高額であることが判明した。
  論文  参考訳（メタデータ） (2023-03-31T17:05:46Z)
• Causal Discovery from Temporal Data: An Overview and New Perspectives [6.251443497694126]
  時間データの分析は、様々なアプリケーションに非常に有用である。 因果的発見 時間的データから因果関係を 学ぶことは 興味深いが 重要な課題だ 本稿では,2つのカテゴリ間の相関関係を定義し,既存のソリューションの体系的概要を提供する。
  論文  参考訳（メタデータ） (2023-03-17T16:45:01Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
  マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。 本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-30T20:01:19Z)
• Deep Time Series Models for Scarce Data [8.673181404172963]
  時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。 データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
  論文  参考訳（メタデータ） (2021-03-16T22:16:54Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
  時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。 ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。 我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
  論文  参考訳（メタデータ） (2020-11-23T11:57:27Z)

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。