論文の概要: Detecting Causality in the Frequency Domain with Cross-Mapping Coherence
- arxiv url: http://arxiv.org/abs/2407.20694v1
- Date: Tue, 30 Jul 2024 09:43:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 17:39:47.871588
- Title: Detecting Causality in the Frequency Domain with Cross-Mapping Coherence
- Title（参考訳）: クロスマッピングコヒーレンスを用いた周波数領域の因果検出
- Authors: Zsigmond Benkő, Bálint Varga, Marcell Stippinger, Zoltán Somogyvári,
- Abstract要約: 本研究では,時系列間の周波数領域における因果関係を明らかにするために,クロス・マッピング・コヒーレンス(CMC)法を提案する。
我々は,ロジスティックマップ,ローレンツシステム,倉本発振器,および視覚野のウィルソン・コーワンモデルを用いて実験を行った。
結論として、異なる周波数帯域にまたがる有向因果影響を決定する能力により、CMCは複雑な非線形系の力学に関する貴重な洞察を提供することができる。
- 参考スコア（独自算出の注目度）: 0.4218593777811082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding causal relationships within a system is crucial for uncovering its underlying mechanisms. Causal discovery methods, which facilitate the construction of such models from time-series data, hold the potential to significantly advance scientific and engineering fields. This study introduces the Cross-Mapping Coherence (CMC) method, designed to reveal causal connections in the frequency domain between time series. CMC builds upon nonlinear state-space reconstruction and extends the Convergent Cross-Mapping algorithm to the frequency domain by utilizing coherence metrics for evaluation. We tested the Cross-Mapping Coherence method using simulations of logistic maps, Lorenz systems, Kuramoto oscillators, and the Wilson-Cowan model of the visual cortex. CMC accurately identified the direction of causal connections in all simulated scenarios. When applied to the Wilson-Cowan model, CMC yielded consistent results similar to spectral Granger causality. Furthermore, CMC exhibits high sensitivity in detecting weak connections, demonstrates sample efficiency, and maintains robustness in the presence of noise. In conclusion, the capability to determine directed causal influences across different frequency bands allows CMC to provide valuable insights into the dynamics of complex, nonlinear systems.
- Abstract（参考訳）: システム内の因果関係を理解することは、その基盤となるメカニズムを明らかにするために重要である。
時系列データからそのようなモデルの構築を容易にする因果発見法は、科学的・工学的な分野を著しく発展させる可能性を秘めている。
本研究では,時系列間の周波数領域における因果関係を明らかにするために,クロス・マッピング・コヒーレンス(CMC)法を提案する。
CMCは非線形状態空間再構成に基づいて構築され、コヒーレンス指標を用いてコンバージェントクロスマッピングアルゴリズムを周波数領域に拡張する。
我々は,ロジスティックマップ,ローレンツ系,倉本発振器,および視覚野のWilson-Cowanモデルを用いて,クロス・マッピング・コヒーレンス法を検証した。
CMCは、すべてのシミュレーションシナリオにおける因果関係の方向を正確に同定した。
Wilson-Cowan モデルに適用すると、CMC はスペクトルグランガー因果関係に類似した一貫した結果を得た。
さらに、CMCは弱い接続の検出に高い感度を示し、サンプル効率を示し、ノイズの存在下で堅牢性を維持する。
結論として、異なる周波数帯域にまたがる有向因果影響を決定する能力により、CMCは複雑な非線形系の力学に関する貴重な洞察を提供することができる。
関連論文リスト
- CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching [24.927390742543707]
周波数パッチに基づくフレームワークであるCATCHを紹介する。
本稿では,パッチワイドマスクジェネレータとマスクアテンション機構を備えたChannel Fusion Module (CFM)を提案する。
9つの実世界のデータセットと12の合成データセットの実験は、CATCHが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-10-16T05:58:55Z) - A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery [9.369246678101048]
本稿では、時間的信号回復のためのコンパクト・フォールド・コングラフ・ネットワーク(CDCN)を提案する。
実世界のデータセットの実験では、CDCNは時間的信号回復の最先端モデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2024-08-06T06:42:53Z) - Bayesian Federated Learning with Hamiltonian Monte Carlo: Algorithm and Theory [20.758987791387515]
この研究は、新しく効率的なベイズ連合学習アルゴリズム、すなわち、フェデレート平均ハミルトニアンモンテカルロ(FA-HMC)を導入している。
非イド分散データセット上でFA-HMCの厳密な収束保証を確立する。
FA-HMCは,Federated Averaging-Langevin Monte Carlo (FA-LD)アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-07-09T15:10:59Z) - Causality-driven Sequence Segmentation for Enhancing Multiphase Industrial Process Data Analysis and Soft Sensing [4.420321822469078]
本稿では因果型シーケンスセグメンテーションモデルを紹介する。
相転移時に起こる因果機構の急激なシフトに基づいて、配列を異なる相に分割する。
相毎に時間因果グラフ畳み込みネットワーク(TC-GCN)と呼ばれるソフトセンシングモデルを訓練する。
論文 参考訳（メタデータ） (2024-06-30T10:40:54Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z) - Reduced Scaling Real-Time Coupled Cluster Theory [3.087140219508349]
実時間CCに対する局所相関の最初の応用について述べる。
力学の詳細な解析により、波動関数の強い時間依存性が主な課題であることを示唆している。
論文 参考訳（メタデータ） (2023-08-03T10:08:47Z) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳（メタデータ） (2022-11-02T22:07:36Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z)
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。