論文の概要: Granger Causality Detection with Kolmogorov-Arnold Networks

• arxiv url: http://arxiv.org/abs/2412.15373v1
• Date: Thu, 19 Dec 2024 20:10:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:24:51.384207
• Title: Granger Causality Detection with Kolmogorov-Arnold Networks
• Title（参考訳）: Kolmogorov-Arnold ネットワークを用いたグランガー因果検出
• Authors: Hongyu Lin, Mohan Ren, Paolo Barucca, Tomaso Aste,
• Abstract要約: 本研究は神経顆粒因性モデルの定義に寄与する。 我々は,Granger Causality Kan(GC-KAN)と呼ばれるフレームワークを開発し,Granger Causality Detectionに特化したトレーニング手法を開発した。 以上の結果から, Kas が Kolmogorov-Arnoldgressive Network (KAN) より優れている可能性が示唆された。
• 参考スコア（独自算出の注目度）: 20.96356350801151
• License:
• Abstract: Discovering causal relationships in time series data is central in many scientific areas, ranging from economics to climate science. Granger causality is a powerful tool for causality detection. However, its original formulation is limited by its linear form and only recently nonlinear machine-learning generalizations have been introduced. This study contributes to the definition of neural Granger causality models by investigating the application of Kolmogorov-Arnold networks (KANs) in Granger causality detection and comparing their capabilities against multilayer perceptrons (MLP). In this work, we develop a framework called Granger Causality KAN (GC-KAN) along with a tailored training approach designed specifically for Granger causality detection. We test this framework on both Vector Autoregressive (VAR) models and chaotic Lorenz-96 systems, analysing the ability of KANs to sparsify input features by identifying Granger causal relationships, providing a concise yet accurate model for Granger causality detection. Our findings show the potential of KANs to outperform MLPs in discerning interpretable Granger causal relationships, particularly for the ability of identifying sparse Granger causality patterns in high-dimensional settings, and more generally, the potential of AI in causality discovery for the dynamical laws in physical systems.
• Abstract（参考訳）: 時系列データで因果関係を明らかにすることは、経済学から気候科学まで、多くの科学分野において中心的である。 グランガー因果検出は因果検出のための強力なツールである。 しかし、元の定式化はその線形形式によって制限され、最近になって非線形機械学習の一般化が導入された。 本研究は、コルモゴロフ・アルノルドネットワーク(KAN)のグラナー因果検出への応用を調査し、その能力を多層パーセプトロン(MLP)と比較することにより、神経グランガー因果モデルの定義に寄与する。 本研究では,Granger Causality Kan (GC-KAN) というフレームワークを開発し,Granger Causality Detection に特化して設計されたトレーニング手法を提案する。 我々は,この枠組みをベクトル自己回帰(VAR)モデルとカオスロレンツ-96システムの両方で検証し,Granger因果関係を同定し,kansが入力特徴をスパース化する能力を解析し,Granger因果関係検出のための簡潔で正確なモデルを提供する。 以上の結果から,解釈可能なグランガー因果関係,特に高次元環境におけるスパース・グランガー因果関係の同定能力,さらにより一般的には,物理系における動的法則の因果関係発見におけるAIの可能性において,カンがMPPよりも優れている可能性が示唆された。

関連論文リスト

• On the Convergence of (Stochastic) Gradient Descent for Kolmogorov--Arnold Networks [56.78271181959529]
  Kolmogorov--Arnold Networks (KAN) はディープラーニングコミュニティで注目されている。 実験により、勾配降下(SGD)により最適化されたカンが、ほぼゼロに近い訓練損失を達成できることが示された。
  論文  参考訳（メタデータ） (2024-10-10T15:34:10Z)
• Jacobian Regularizer-based Neural Granger Causality [45.902407376192656]
  本稿では,ヤコビアン正規化器を用いたニューラルグラガー因果性(JRNGC)アプローチを提案する。 提案手法は,入力出力ヤコビ行列正規化器を利用して重みの空間的制約を解消する。 提案手法は,現在最先端の手法を用いて,グラガー因果関係とフルタイムグラガー因果関係を学習する上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-05-14T17:13:50Z)
• Learning Granger Causality from Instance-wise Self-attentive Hawkes Processes [24.956802640469554]
  インスタンスワイド・セルフアテンティブ・ホークス・プロセス(ISAHP)は、インスタンスレベルでGranger因果関係を直接推測できる新しいディープラーニングフレームワークである。 ISAHPは、古典的なモデルでは扱えない複雑なインスタンスレベルの因果構造を発見することができる。
  論文  参考訳（メタデータ） (2024-02-06T05:46:51Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• From Gradient Flow on Population Loss to Learning with Stochastic Gradient Descent [50.4531316289086]
  SGD(Gradient Descent)は、大規模非ルートモデルの学習方法である。 集団損失のGFが収束すると仮定して、総合的な条件 SGD が収束する。 我々は、凸損失のような古典的な設定だけでなく、Retrieval Matrix sq-rootのようなより複雑な問題に対してもGD/SGDを統一的に解析する。
  論文  参考訳（メタデータ） (2022-10-13T03:55:04Z)
• Deep Recurrent Modelling of Granger Causality with Latent Confounding [0.0]
  本稿では,非線形なGranger因果関係をモデル化するためのディープラーニングに基づくアプローチを提案する。 我々は,非線形時系列におけるモデル性能を実演し,その要因と効果を異なる時間ラグで示す。
  論文  参考訳（メタデータ） (2022-02-23T03:26:22Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
  Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。 特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。 このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
  論文  参考訳（メタデータ） (2021-02-10T07:48:00Z)
• Interpretable Models for Granger Causality Using Self-explaining Neural Networks [4.56877715768796]
  本論文では,自己記述型ニューラルネットワークの拡張に基づく非線形ダイナミクス下でのGranger因果関係を推定するための新しいフレームワークを提案する。 このフレームワークは、Granger因果関係を推測する他のニューラルネットワークベースのテクニックよりも解釈可能である。
  論文  参考訳（メタデータ） (2021-01-19T12:59:00Z)

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。