論文の概要: Robust Time Series Causal Discovery for Agent-Based Model Validation

• arxiv url: http://arxiv.org/abs/2410.19412v1
• Date: Fri, 25 Oct 2024 09:13:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:37:09.684899
• Title: Robust Time Series Causal Discovery for Agent-Based Model Validation
• Title（参考訳）: エージェントベースモデル検証のためのロバスト時系列因果探索
• Authors: Gene Yu, Ce Guo, Wayne Luk,
• Abstract要約: 本研究では、ABM検証のための因果構造学習を強化するために、ロバストクロスバリデーション(RCV)アプローチを提案する。 RCV-VarLiNGAM と RCV-PCMCI を開発した。 提案手法は、拡張されたABM検証フレームワークに統合される。
• 参考スコア（独自算出の注目度）: 5.430532390358285
• License:
• Abstract: Agent-Based Model (ABM) validation is crucial as it helps ensuring the reliability of simulations, and causal discovery has become a powerful tool in this context. However, current causal discovery methods often face accuracy and robustness challenges when applied to complex and noisy time series data, which is typical in ABM scenarios. This study addresses these issues by proposing a Robust Cross-Validation (RCV) approach to enhance causal structure learning for ABM validation. We develop RCV-VarLiNGAM and RCV-PCMCI, novel extensions of two prominent causal discovery algorithms. These aim to reduce the impact of noise better and give more reliable causal relation results, even with high-dimensional, time-dependent data. The proposed approach is then integrated into an enhanced ABM validation framework, which is designed to handle diverse data and model structures. The approach is evaluated using synthetic datasets and a complex simulated fMRI dataset. The results demonstrate greater reliability in causal structure identification. The study examines how various characteristics of datasets affect the performance of established causal discovery methods. These characteristics include linearity, noise distribution, stationarity, and causal structure density. This analysis is then extended to the RCV method to see how it compares in these different situations. This examination helps confirm whether the results are consistent with existing literature and also reveals the strengths and weaknesses of the novel approaches. By tackling key methodological challenges, the study aims to enhance ABM validation with a more resilient valuation framework presented. These improvements increase the reliability of model-driven decision making processes in complex systems analysis.
• Abstract（参考訳）: エージェントベースモデル(ABM)の検証はシミュレーションの信頼性を確保する上で不可欠であり、因果発見はこの文脈において強力なツールとなっている。 しかし、現在の因果探索法は、ABMのシナリオで典型的である複雑でノイズの多い時系列データに適用する場合、精度と頑健さの課題に直面することが多い。 本研究では,ABM検証のための因果構造学習を強化するために,ロバストクロスバリデーション(RCV)アプローチを提案することにより,これらの課題に対処する。 RCV-VarLiNGAM と RCV-PCMCI を開発した。 これらの目的は、高次元の時間依存データであっても、ノイズの影響を低減し、より信頼性の高い因果関係結果を提供することである。 提案手法は、多様なデータやモデル構造を扱うために設計された拡張されたAMM検証フレームワークに統合される。 この手法は、合成データセットと複雑なシミュレーションされたfMRIデータセットを用いて評価される。 その結果,因果構造同定の信頼性が向上した。 本研究では,データセットの諸特性が確立された因果発見手法の性能に与える影響について検討した。 これらの特徴は、線形性、雑音分布、定常性、因果構造密度である。 この分析はRCV法に拡張され、これらの異なる状況においてどのように比較されるかを確認する。 本試験は, 既存の文献と一致しているかどうかの確認に役立ち, 新たなアプローチの強みと弱みを明らかにした。 この研究は、主要な方法論的課題に取り組むことで、よりレジリエントな評価フレームワークでABM検証を強化することを目的としている。 これらの改善により、複雑なシステム分析におけるモデル駆動意思決定プロセスの信頼性が向上する。

関連論文リスト

• Explainable Artificial Intelligent (XAI) for Predicting Asphalt Concrete Stiffness and Rutting Resistance: Integrating Bailey's Aggregate Gradation Method [0.0]
  本研究では, アスファルトコンクリートの挙動を解析するために, 説明可能な人工知能(XAI)技術を用いた。 モデルの性能はk-foldクロスバリデーションを用いて検証され、他の機械学習手法と比較して精度が向上した。 その結果, 粗骨材は耐ラッティング性, 中粒骨材は剛性に影響を与えることが明らかとなった。
  論文  参考訳（メタデータ） (2024-10-16T02:39:55Z)
• How much do we really know about Structure Learning from i.i.d. Data? Interpretable, multi-dimensional Performance Indicator for Causal Discovery [3.8443430569753025]
  観測データからの因果発見は、データ生成プロセスで使用される構造方程式の定式化に厳密な識別可能性の仮定を課す。 統合された性能評価フレームワークの欠如により、我々は解釈可能な6次元評価指標、すなわち、最適解の距離(DOS)を導入する。 本研究は、7つの異なる家系における構造学習アルゴリズムの性能を、不特定非非線形因果パターンの割合の増加に基づいて評価する最初の研究である。
  論文  参考訳（メタデータ） (2024-09-28T15:03:49Z)
• Is Difficulty Calibration All We Need? Towards More Practical Membership Inference Attacks [16.064233621959538]
  我々は,textbfRe-levertextbfA を直接 textbfRe-levertextbfA を用いて mtextbfItigate the error in textbfDifficulty calibration を提案する。
  論文  参考訳（メタデータ） (2024-08-31T11:59:42Z)
• Revisiting Spurious Correlation in Domain Generalization [12.745076668687748]
  データ生成プロセスにおける因果関係を記述するために,構造因果モデル(SCM)を構築した。 さらに、スプリアス相関に基づくメカニズムを徹底的に分析する。 そこで本研究では,OOD一般化における共起バイアスの制御について,相対性スコア重み付き推定器を導入して提案する。
  論文  参考訳（メタデータ） (2024-06-17T13:22:00Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
  国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。 このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。 したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
  論文  参考訳（メタデータ） (2023-07-15T23:53:37Z)
• Learning Latent Structural Causal Models [31.686049664958457]
  機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。 本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T20:09:44Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Decomposed Adversarial Learned Inference [118.27187231452852]
  我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。 DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。 MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-21T20:00:35Z)

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。