論文の概要: Tangent Space Causal Inference: Leveraging Vector Fields for Causal Discovery in Dynamical Systems

• arxiv url: http://arxiv.org/abs/2410.23499v1
• Date: Wed, 30 Oct 2024 23:08:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:02:40.430331
• Title: Tangent Space Causal Inference: Leveraging Vector Fields for Causal Discovery in Dynamical Systems
• Title（参考訳）: タンジェント宇宙因果推論:力学系における因果発見のためのベクトル場を活用する
• Authors: Kurt Butler, Daniel Waxman, Petar M. Djurić,
• Abstract要約: 本稿では,動的システムの因果性を検出するためのTangent Space Causal Inference (TSCI)法を提案する。 まず、TSCIアルゴリズムの基本バージョンを提示し、基本的なCCMアルゴリズムよりも効果的であることを示した。 また、潜在変数モデルとディープラーニングの表現力を利用するTSCIの拡張版も提示する。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License:
• Abstract: Causal discovery with time series data remains a challenging yet increasingly important task across many scientific domains. Convergent cross mapping (CCM) and related methods have been proposed to study time series that are generated by dynamical systems, where traditional approaches like Granger causality are unreliable. However, CCM often yields inaccurate results depending upon the quality of the data. We propose the Tangent Space Causal Inference (TSCI) method for detecting causalities in dynamical systems. TSCI works by considering vector fields as explicit representations of the systems' dynamics and checks for the degree of synchronization between the learned vector fields. The TSCI approach is model-agnostic and can be used as a drop-in replacement for CCM and its generalizations. We first present a basic version of the TSCI algorithm, which is shown to be more effective than the basic CCM algorithm with very little additional computation. We additionally present augmented versions of TSCI that leverage the expressive power of latent variable models and deep learning. We validate our theory on standard systems, and we demonstrate improved causal inference performance across a number of benchmark tasks.
• Abstract（参考訳）: 時系列データによる因果発見は、多くの科学分野において困難だが、ますます重要な課題となっている。 コンバージェントクロスマッピング(CCM)と関連する手法は、グランガー因果関係のような従来のアプローチが信頼できない動的システムによって生成される時系列を研究するために提案されている。 しかし、CCMはデータの品質に応じて不正確な結果を得ることが多い。 本稿では,動的システムの因果性を検出するためのTangent Space Causal Inference (TSCI)法を提案する。 TSCIは、ベクトル場をシステムの力学の明示的な表現として考慮し、学習したベクトル場間の同期の度合いをチェックする。 TSCIのアプローチはモデルに依存しず、CCMとその一般化の代替として使用できる。 まず、TSCIアルゴリズムの基本バージョンを提示し、このアルゴリズムは、計算量が少ない基本的なCCMアルゴリズムよりも効果的であることを示した。 また、潜在変数モデルとディープラーニングの表現力を利用するTSCIの拡張版も提示する。 本理論を標準システム上で検証し,多くのベンチマークタスクにおける因果推論性能の向上を実証する。

関連論文リスト

• LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data [13.390666123493409]
  LOCALは動的因果構造を復元するための効率的で実装が容易で制約のない手法である。 ACMLは学習可能な優先度ベクトルとGumbel-Sigmoid関数を用いて因果マスクを生成する。 DGPLは因果学習を分解された行列生成物に変換し、高次元データの動的因果構造をキャプチャする。
  論文  参考訳（メタデータ） (2024-10-25T10:48:41Z)
• Standardizing Structural Causal Models [80.21199731817698]
  ベンチマークアルゴリズムのための内部標準構造因果モデル(iSCM)を提案する。 構成上、iSCMは$operatornameVar$-sortableではなく、実験的に示すように、$operatornameR2$-sortableではない。
  論文  参考訳（メタデータ） (2024-06-17T14:52:21Z)
• Dynamic Structural Causal Models [1.6574413179773764]
  微分方程式(SDE)の系をDSCMで適切に表現できることを示す。 この構成の直接的な結果は、SDEのシステムに対するグラフィカルなマルコフ特性である。 また、離散時間DSCMを返却し、サブサンプリング時間列の数学的解析に使用できるサブサンプリング演算を定義する。
  論文  参考訳（メタデータ） (2024-06-03T09:54:31Z)
• Tensor network renormalization: application to dynamic correlation functions and non-hermitian systems [0.0]
  本稿では,動的相関関数の計算を可能にするLoop-TNRアルゴリズムの実装について述べる。 また,非エルミート系の臨界特性を調べるためにLoop-TNRアルゴリズムが適用可能であることも強調した。
  論文  参考訳（メタデータ） (2023-11-30T18:34:32Z)
• CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
  本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-10T04:20:36Z)
• 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)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• 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)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• 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)

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。