論文の概要: Identifiability Analysis of Linear ODE Systems with Hidden Confounders

• arxiv url: http://arxiv.org/abs/2410.21917v1
• Date: Tue, 29 Oct 2024 10:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:42:27.594337
• Title: Identifiability Analysis of Linear ODE Systems with Hidden Confounders
• Title（参考訳）: 隠れた共同設立者による線形ODEシステムの識別可能性解析
• Authors: Yuanyuan Wang, Biwei Huang, Wei Huang, Xi Geng, Mingming Gong,
• Abstract要約: 本稿では,隠れた共同設立者を組み込んだ線形ODEシステムにおける識別可能性の体系的解析について述べる。 最初のケースでは、潜伏した共同設立者は因果関係を示さないが、その進化は特定の形態に固執する。 その後、この分析を、隠れた共同創設者が因果依存性を示すシナリオにまで拡張する。
• 参考スコア（独自算出の注目度）: 45.14890063421295
• License:
• Abstract: The identifiability analysis of linear Ordinary Differential Equation (ODE) systems is a necessary prerequisite for making reliable causal inferences about these systems. While identifiability has been well studied in scenarios where the system is fully observable, the conditions for identifiability remain unexplored when latent variables interact with the system. This paper aims to address this gap by presenting a systematic analysis of identifiability in linear ODE systems incorporating hidden confounders. Specifically, we investigate two cases of such systems. In the first case, latent confounders exhibit no causal relationships, yet their evolution adheres to specific functional forms, such as polynomial functions of time $t$. Subsequently, we extend this analysis to encompass scenarios where hidden confounders exhibit causal dependencies, with the causal structure of latent variables described by a Directed Acyclic Graph (DAG). The second case represents a more intricate variation of the first case, prompting a more comprehensive identifiability analysis. Accordingly, we conduct detailed identifiability analyses of the second system under various observation conditions, including both continuous and discrete observations from single or multiple trajectories. To validate our theoretical results, we perform a series of simulations, which support and substantiate our findings.
• Abstract（参考訳）: 線形正規微分方程式(ODE)系の同定可能性解析は、これらの系について信頼できる因果推論を行うために必要な前提条件である。 同定可能性は完全に観測可能なシナリオではよく研究されているが、潜伏変数がシステムと相互作用する場合、識別可能性の条件は未探索のままである。 本稿では, 隠れた共同創設者を組み込んだ線形ODEシステムにおいて, 識別可能性の体系的解析を行うことにより, このギャップに対処することを目的とする。 具体的には,このようなシステムの2つの事例について検討する。 最初のケースでは、潜在的共同設立者は因果関係は示さないが、それらの進化は時間$t$の多項式函数のような特定の機能形式に固執する。 その後、この分析を、非巡回グラフ(DAG)で記述された潜伏変数の因果構造を用いて、隠れた共同創設者が因果依存性を示すシナリオにまで拡張する。 第2のケースは、第1のケースのより複雑なバリエーションを表し、より包括的な識別可能性の分析を促す。 そこで本研究では, 単軌道および複数軌道からの連続的および離散的な観測を含む, 様々な観測条件下で第2系の詳細な識別可能性解析を行う。 理論的結果を検証するため、我々は一連のシミュレーションを行い、その結果を裏付け、裏付ける。

関連論文リスト

• Unified Causality Analysis Based on the Degrees of Freedom [1.2289361708127877]
  本稿では,システム間の因果関係を同定する統一手法を提案する。 システムの自由度を分析することで、私たちのアプローチは因果的影響と隠れた共同設立者の両方についてより包括的な理解を提供する。 この統合されたフレームワークは、理論モデルとシミュレーションを通じて検証され、その堅牢性とより広範な応用の可能性を示す。
  論文  参考訳（メタデータ） (2024-10-25T10:57:35Z)
• An Interventional Perspective on Identifiability in Gaussian LTI Systems with Independent Component Analysis [44.892642197610215]
  ガウス線形時間不変 (LTI) システムでは, 多様な干渉信号を導入することで, システムパラメータを同定できることが示されている。 隠れマルコフモデルと(ガウス) LTI 系が連続パラメータを持つコーサル・デ・フィネッティの定理を一般化することを示した。
  論文  参考訳（メタデータ） (2023-11-29T19:51:35Z)
• Data-Driven Observability Analysis for Nonlinear Stochastic Systems [5.4511976387114895]
  区別可能性と可観測性は力学系の鍵となる性質である。 両概念は線形システムを含むシステムのクラスに等価であることを示す。 2つの状態が高信頼で識別可能なしきい値を決定するための統計的テストを提案する。
  論文  参考訳（メタデータ） (2023-02-23T12:51:03Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
  本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
  論文  参考訳（メタデータ） (2021-10-23T19:57:22Z)
• 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)
• End-to-End Models for the Analysis of System 1 and System 2 Interactions based on Eye-Tracking Data [99.00520068425759]
  本稿では,よく知られたStroopテストの視覚的修正版において,様々なタスクと潜在的な競合事象を特定するための計算手法を提案する。 統計的分析により、選択された変数は、異なるシナリオにおける注意負荷の変動を特徴付けることができることが示された。 機械学習技術は,異なるタスクを分類精度良く区別できることを示す。
  論文  参考訳（メタデータ） (2020-02-03T17:46:13Z)

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。