Fugu-MT 論文翻訳(概要): Discovering Latent Structural Causal Models from Spatio-Temporal Data

論文の概要: Discovering Latent Structural Causal Models from Spatio-Temporal Data

arxiv url: http://arxiv.org/abs/2411.05331v1
Date: Fri, 08 Nov 2024 05:12:16 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-28 17:07:45.679028
Title: Discovering Latent Structural Causal Models from Spatio-Temporal Data
Title（参考訳）: 時空間データから潜在構造因果モデルを発見する
Authors: Kun Wang, Sumanth Varambally, Duncan Watson-Parris, Yi-An Ma, Rose Yu,
Abstract要約: SPACY(SPAtiotemporal Causal discoverY)は変分推論に基づく新しいフレームワークである。 SPACYは、合成データに対する最先端のベースラインよりも優れ、大きなグリッドに対してスケーラブルであり、現実世界の気候データから既知の重要な現象を識別する。
参考スコア（独自算出の注目度）: 23.400027588427964
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many important phenomena in scientific fields such as climate, neuroscience, and epidemiology are naturally represented as spatiotemporal gridded data with complex interactions. For example, in climate science, researchers aim to uncover how large-scale events, such as the North Atlantic Oscillation (NAO) and the Antarctic Oscillation (AAO), influence other global processes. Inferring causal relationships from these data is a challenging problem compounded by the high dimensionality of such data and the correlations between spatially proximate points. We present SPACY (SPAtiotemporal Causal discoverY), a novel framework based on variational inference, designed to explicitly model latent time-series and their causal relationships from spatially confined modes in the data. Our method uses an end-to-end training process that maximizes an evidence-lower bound (ELBO) for the data likelihood. Theoretically, we show that, under some conditions, the latent variables are identifiable up to transformation by an invertible matrix. Empirically, we show that SPACY outperforms state-of-the-art baselines on synthetic data, remains scalable for large grids, and identifies key known phenomena from real-world climate data.
Abstract（参考訳）: 気候、神経科学、疫学などの科学分野における多くの重要な現象は、複雑な相互作用を伴う時空間的格子データとして自然に表される。例えば、気候科学において、研究者は、北大西洋振動(NAO)や南極振動(AAO)といった大規模な事象が、他のグローバルプロセスにどのように影響するかを明らかにすることを目的としている。これらのデータから因果関係を推定することは、そのようなデータの高次元性と空間的近位点間の相関によって合成される難しい問題である。 SPACY(SPAtiotemporal Causal discoverY)は変動推論に基づく新しいフレームワークであり,空間的に制限されたデータモードからの潜時時系列とその因果関係を明示的にモデル化する。本手法では,データ可能性に対してエビデンス・ローアーバウンド(ELBO)を最大化するエンドツーエンドのトレーニングプロセスを用いる。理論的には、ある条件下では、潜伏変数は可逆行列によって変換できる。経験的に、SPACYは、合成データに対する最先端のベースラインよりも優れており、大きなグリッドに対してスケーラブルであり、現実世界の気候データから既知の重要な現象を識別する。

関連論文リスト

A Novel Diffusion Model for Pairwise Geoscience Data Generation with Unbalanced Training Dataset [8.453075713579631]
UB-Diff'はマルチモーダルなペア型科学データ生成のための新しい拡散モデルである。 1つの大きな革新は、1対2のエンコーダ・デコーダネットワーク構造であり、コラテント表現からペアのデータを確実に得ることができる。 OpenFWIデータセットの実験結果から,UB-DiffはFr'echet Inception Distance(FID)スコアとペア評価において,既存の技術よりも優れていた。
論文参考訳（メタデータ） (2025-01-01T19:49:38Z)
Spatio-temporal Multivariate Cluster Evolution Analysis for Detecting and Tracking Climate Impacts [0.0]
本稿では,統計的に重要な影響を検出するための,新しい,効率的な教師なしデータ駆動手法を提案する。提案手法は, 既知の事後影響・事象を検出することができることを示す。さらに,NLPを用いて,作業後影響/事象の有意義なシーケンスを抽出する手法についても述べる。
論文参考訳（メタデータ） (2024-10-21T22:13:09Z)
Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
論文参考訳（メタデータ） (2024-10-09T15:57:50Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文参考訳（メタデータ） (2024-04-01T20:33:29Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Discovering Mixtures of Structural Causal Models from Time Series Data [23.18511951330646]
基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
論文参考訳（メタデータ） (2023-10-10T05:13:10Z)
Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
論文参考訳（メタデータ） (2023-02-07T05:09:10Z)
Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文参考訳（メタデータ） (2022-11-15T14:15:04Z)
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)
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。