論文の概要: SpinSVAR: Estimating Structural Vector Autoregression Assuming Sparse Input

• arxiv url: http://arxiv.org/abs/2501.03130v2
• Date: Fri, 21 Feb 2025 18:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 17:07:58.584196
• Title: SpinSVAR: Estimating Structural Vector Autoregression Assuming Sparse Input
• Title（参考訳）: SpinSVAR:スパース入力を考慮した構造ベクトル自己回帰の推定
• Authors: Panagiotis Misiakos, Markus Püschel,
• Abstract要約: 本研究では,スパース入力仮定の下で時系列データから構造ベクトル自己回帰を推定する新しい手法であるSpinSvarを紹介する。 我々は、入力を独立なラプラス変数としてモデル化し、最小絶対誤差回帰に基づいて、間隔を強制し、最大可能性推定器(MLE)を出力する。 S&P 500データに適用すると、S&P500はセクターごとに株をクラスタリングし、主要な価格変動に関連する重要な構造的ショックを特定する。
• 参考スコア（独自算出の注目度）: 9.548703593014107
• License:
• Abstract: We introduce SpinSVAR, a novel method for estimating a structural vector autoregression (SVAR) from time-series data under sparse input assumption. Unlike prior approaches using Gaussian noise, we model the input as independent Laplacian variables, enforcing sparsity and yielding a maximum likelihood estimator (MLE) based on least absolute error regression. We provide theoretical consistency guarantees for the MLE under mild assumptions. SpinSVAR is efficient: it can leverage GPU acceleration to scale to thousands of nodes. On synthetic data with Laplacian or Bernoulli-uniform inputs, SpinSVAR outperforms state-of-the-art methods in accuracy and runtime. When applied to S&P 500 data, it clusters stocks by sectors and identifies significant structural shocks linked to major price movements, demonstrating the viability of our sparse input assumption.
• Abstract（参考訳）: 本研究では,スパース入力仮定の下で時系列データから構造ベクトル自己回帰(SVAR)を推定する新しい手法であるSpinSVARを紹介する。 ガウス雑音を用いた従来の手法とは異なり、入力を独立ラプラシア変数としてモデル化し、最小絶対誤差回帰に基づいて、空間性を強制し、最大極大推定器(MLE)を生成する。 軽微な仮定の下で、MLEの理論的整合性を保証する。 SpinSVARは効率的で、GPUアクセラレーションを利用して数千のノードにスケールすることができる。 Laplacian または Bernoulli-uniform 入力による合成データでは、SpinSVAR は最先端の手法よりも精度と実行性が高い。 S&P 500データに適用すると、セクターごとに在庫をクラスタリングし、主要な価格変動に関連する重要な構造的ショックを特定し、スパース入力仮定の可能性を実証する。

関連論文リスト

• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Root Cause Analysis In Microservice Using Neural Granger Causal Discovery [12.35924469567586]
  本稿では、ニューラルグラガー因果探索と対照的学習を用いた根本原因解析の新しい手法であるRUNを提案する。 RUNは時系列からコンテキスト情報を統合することでバックボーンエンコーダを強化し、時系列予測モデルを利用して神経グランガー因果発見を行う。 さらに、RUNはPagerankをベクターに組み込んで、トップkのルート原因を効率的に推奨している。
  論文  参考訳（メタデータ） (2024-02-02T04:43:06Z)
• Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
  因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。 既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。 根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
  論文  参考訳（メタデータ） (2023-12-19T03:24:26Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery [14.092834149864514]
  本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。 パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。 実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
  論文  参考訳（メタデータ） (2023-10-03T02:29:19Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• Learning DAGs from Data with Few Root Causes [6.747934699209742]
  線形構造方程式モデル(SEM)により生成されたデータから有向非巡回グラフ(DAG)を学習するための新しい視点とアルゴリズムを提案する。 根本原因がほとんどないデータに対して,従来のDAG学習法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-25T11:05:36Z)
• CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
  時系列データからの因果発見は、機械学習における中心的なタスクである。 本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。 提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
  論文  参考訳（メタデータ） (2023-02-15T04:16:34Z)
• Reinforcement Causal Structure Learning on Order Graph [18.344249064559087]
  本稿では,RCL-OG(Reinforcement Causal Structure Learning on Order Graph)を提案する。 RCL-OGはまず、順序の後方分布を近似する新しい報酬機構を用いて強化学習を定義する。 異なる順序の後方確率を計算する。
  論文  参考訳（メタデータ） (2022-11-22T10:29:25Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。