Fugu-MT 論文翻訳(概要): Discovering Latent Causal Graphs from Spatiotemporal Data

論文の概要: Discovering Latent Causal Graphs from Spatiotemporal Data

arxiv url: http://arxiv.org/abs/2411.05331v3
Date: Sun, 15 Jun 2025 04:50:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-17 15:15:28.985869
Title: Discovering Latent Causal Graphs from Spatiotemporal Data
Title（参考訳）: 時空間データから潜在因果グラフを発見する
Authors: Kun Wang, Sumanth Varambally, Duncan Watson-Parris, Yi-An Ma, Rose Yu,
Abstract要約: 気候データから因果関係を推定することは、高次元の問題である。 SPACY(Tiotemporal CausalY)は潜在因果構造に基づく推論のための新しいフレームワークである。 SPACYはまた、現実世界の気候データから既知の重要な現象を特定する。
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 like climate, neuroscience, and epidemiology are naturally represented as spatiotemporal gridded data with complex interactions. 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 model latent time series and their causal relationships from spatiotemporal data. SPACY alleviates the high-dimensional challenge by discovering causal structures in the latent space. To aggregate spatially proximate, correlated grid points, we use spatial factors, parametrized by spatial kernel functions, to map observational time series to latent representations. Theoretically, we generalize the problem to a continuous spatial domain and establish identifiability when the observations arise from a nonlinear, invertible function of the product of latent series and spatial factors. Using this approach, we avoid assumptions that are often unverifiable, including those about instantaneous effects or sufficient variability. Empirically, SPACY outperforms state-of-the-art baselines on synthetic data, even in challenging settings where existing methods struggle, while remaining scalable for large grids. SPACY also identifies key known phenomena from real-world climate data. An implementation of SPACY is available at https://github.com/Rose-STL-Lab/SPACY/
Abstract（参考訳）: 気候、神経科学、疫学といった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。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,時空間データから潜時時系列と因果関係をモデル化するための変分推論に基づく新しいフレームワークである。 SPACYは、潜伏空間の因果構造を発見することによって、高次元の課題を緩和する。空間的に近接する相関格子点を集約するために、空間カーネル関数によってパラメータ化された空間因子を用いて、観測時系列を潜在表現にマッピングする。理論的には、問題を連続的な空間領域に一般化し、潜在級数の積と空間因子の非線型非可逆関数から観測が生じたときに識別可能性を確立する。このアプローチを用いることで、即時効果や十分な変数を含む、しばしば検証不可能な仮定を避けることができる。経験的に、SPACYは、既存のメソッドが苦労する困難な状況でも、大規模なグリッドに対してスケーラブルなままでも、合成データに対する最先端のベースラインを上回ります。 SPACYはまた、現実世界の気候データから既知の重要な現象を特定する。 SPACYの実装はhttps://github.com/Rose-STL-Lab/SPACY/で公開されている。

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。