論文の概要: MotifDisco: Motif Causal Discovery For Time Series Motifs
- arxiv url: http://arxiv.org/abs/2409.15219v1
- Date: Mon, 23 Sep 2024 17:08:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 14:02:53.146636
- Title: MotifDisco: Motif Causal Discovery For Time Series Motifs
- Title(参考訳): MotifDisco:Motif Causal Discovery for Time Series Motifs
- Authors: Josephine Lamp, Mark Derdzinski, Christopher Hannemann, Sam Hatfield, Joost van der Linden,
- Abstract要約: 連続グルコースモニター(CGM)から採取したグルコースの痕跡に着目した。
モチーフ間の因果関係を識別し、定量化する能力は、これらのパターンをよりよく理解し、表現するためのメカニズムを提供することができる。
時系列トレースからモチーフ間の因果関係を学習するための新しい因果発見フレームワークを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many time series, particularly health data streams, can be best understood as a sequence of phenomenon or events, which we call motifs. A time series motif is a short trace segment which may implicitly capture an underlying phenomenon within the time series. Specifically, we focus on glucose traces collected from continuous glucose monitors (CGMs), which inherently contain motifs representing underlying human behaviors such as eating and exercise. The ability to identify and quantify causal relationships amongst motifs can provide a mechanism to better understand and represent these patterns, useful for improving deep learning and generative models and for advanced technology development (e.g., personalized coaching and artificial insulin delivery systems). However, no previous work has developed causal discovery methods for time series motifs. Therefore, in this paper we develop MotifDisco (motif disco-very of causality), a novel causal discovery framework to learn causal relations amongst motifs from time series traces. We formalize a notion of Motif Causality (MC), inspired from Granger Causality and Transfer Entropy, and develop a Graph Neural Network-based framework that learns causality between motifs by solving an unsupervised link prediction problem. We also integrate MC with three model use cases of forecasting, anomaly detection and clustering, to showcase the use of MC as a building block for other downstream tasks. Finally, we evaluate our framework and find that Motif Causality provides a significant performance improvement in all use cases.
- Abstract(参考訳): 多くの時系列、特に健康データストリームは、我々がモチーフと呼ぶ現象や出来事の連続として最もよく理解することができる。
時系列モチーフ(英: time series motif)は、時系列内の下層の現象を暗黙的にキャプチャする短いトレースセグメントである。
具体的には,連続グルコースモニター(CGM)から採取したグルコースの痕跡に着目し,食事や運動などの基礎となる人間の行動を表すモチーフを本質的に含んでいる。
モチーフ間の因果関係を識別し、定量化する能力は、これらのパターンをよりよく理解し、表現するためのメカニズムを提供し、ディープラーニングと生成モデルの改善や高度な技術開発(例えば、パーソナライズされたコーチングと人工インスリンデリバリーシステム)に役立つ。
しかし、過去の研究では時系列モチーフの因果発見手法は開発されていない。
そこで本研究では,時系列トレースからモチーフ間の因果関係を学習する新たな因果発見フレームワークであるMotifDiscoを開発する。
我々は,Granger Causality and Transfer Entropyに触発されたMotif Causality(MC)の概念を定式化し,教師なしリンク予測問題を解くことでモチーフ間の因果関係を学習するグラフニューラルネットワークベースのフレームワークを開発した。
また、MCを他の下流タスクのビルディングブロックとして使用することを示すために、予測、異常検出、クラスタリングの3つのモデルユースケースと統合する。
そして最後に、我々のフレームワークを評価し、Motif Causalityがすべてのユースケースで大幅なパフォーマンス改善をもたらしていることに気付きました。
関連論文リスト
- Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [84.03001845263]
神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。
伝統的な物語分析は、しばしば単語の使用法や構文など、ミクロ構造における局所的な指標に焦点を当てる。
本稿では,話題の変化,時間的ダイナミクス,物語の時間的コヒーレンスを分析することによって,特定の認知的・言語的課題を解明することを提案する。
論文 参考訳(メタデータ) (2025-01-07T12:16:26Z) - Identifying Nonstationary Causal Structures with High-Order Markov Switching Models [32.86541172199634]
時系列における因果発見は急速に発展し、気候科学や神経科学など様々な分野に応用されている。
この研究では、状態依存因果構造を通して非定常性に対処する。
論文 参考訳(メタデータ) (2024-06-25T16:38:27Z) - Neural Persistence Dynamics [8.197801260302642]
時間発展する点雲のトポロジにおける力学を学習する問題を考察する。
提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
論文 参考訳(メタデータ) (2024-05-24T17:20:18Z) - Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。
LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。
また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
論文 参考訳(メタデータ) (2023-12-04T08:23:09Z) - TempME: Towards the Explainability of Temporal Graph Neural Networks via
Motif Discovery [15.573944320072284]
本稿では、時間グラフニューラルネットワーク(TGNN)の予測を導く最も重要な時間的モチーフを明らかにするTempMEを提案する。
TempMEは、最も相互作用に関連するモチーフを抽出し、含んでいる情報の量を最小化し、説明の空間性と簡潔性を維持する。
実験では、TempMEの優位性が検証され、6つの実世界のデータセットで説明精度が最大8.21%向上し、現在のTGNNの平均精度が最大22.96%向上した。
論文 参考訳(メタデータ) (2023-10-30T07:51:41Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳(メタデータ) (2023-04-07T15:17:48Z) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-19T10:15:00Z) - 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) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳(メタデータ) (2020-07-01T17:29:57Z) - Amortized Causal Discovery: Learning to Infer Causal Graphs from
Time-Series Data [63.15776078733762]
本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。
本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-06-18T19:59:12Z)
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。