論文の概要: Kolmogorov-Arnold Networks for Time Series Granger Causality Inference

• arxiv url: http://arxiv.org/abs/2501.08958v1
• Date: Wed, 15 Jan 2025 17:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:53:08.774217
• Title: Kolmogorov-Arnold Networks for Time Series Granger Causality Inference
• Title（参考訳）: 時系列グランガー因果推論のためのコルモゴロフ・アルノルドネットワーク
• Authors: Meiliang Liu, Yunfang Xu, Zijin Li, Zhengye Si, Xiaoxiao Yang, Xinyue Yang, Zhiwen Zhao,
• Abstract要約: 我々はGranger Causality Kolmogorov-Arnold Networks (GCKAN)を紹介し、これは最近提案されたKolmogorov-Arnold Networks (KAN)を拡張した革新的なアーキテクチャである。 GCKANは、時系列からGranger因果関係を推論し、自動時間ラグ選択を可能にする。 また,時間逆グレンジャー因果関係を利用して推論精度を向上させるアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.3401966602181168
• License:
• Abstract: We introduce Granger Causality Kolmogorov-Arnold Networks (GCKAN), an innovative architecture that extends the recently proposed Kolmogorov-Arnold Networks (KAN) to the domain of causal inference. By extracting base weights from KAN layers and incorporating the sparsity-inducing penalty along with ridge regularization, GCKAN infers the Granger causality from time series while enabling automatic time lag selection. Additionally, we propose an algorithm leveraging time-reversed Granger causality to enhance inference accuracy. The algorithm compares prediction and sparse-inducing losses derived from the original and time-reversed series, automatically selecting the casual relationship with the higher score or integrating the results to mitigate spurious connectivities. Comprehensive experiments conducted on Lorenz-96, gene regulatory networks, fMRI BOLD signals, and VAR datasets demonstrate that the proposed model achieves competitive performance to state-of-the-art methods in inferring Granger causality from nonlinear, high-dimensional, and limited-sample time series.
• Abstract（参考訳）: 我々は最近提案されたコルモゴロフ・アルノルドネットワーク(KAN)を因果推論の領域に拡張した革新的なアーキテクチャであるGranger Causality Kolmogorov-Arnold Networks (GCKAN)を紹介する。 GCKANは、KA層から塩基重を抽出し、隆起正則化とともにスパーシリティ誘導ペナルティを取り入れることで、時系列からグランガー因果性を推定し、自動時間ラグ選択を可能にする。 さらに,時間逆グレンジャー因果関係を利用して推論精度を向上させるアルゴリズムを提案する。 アルゴリズムは、元のシリーズと時間反転シリーズから引き起こされた損失の予測とスパース誘導を比較し、上位スコアとのカジュアルな関係を自動的に選択するか、結果を統合することで、突発的な接続性を緩和する。 Lorenz-96、遺伝子制御ネットワーク、fMRI BOLD信号、VARデータセットを用いた総合的な実験により、提案モデルは、非線形、高次元、リミテッドサンプル時系列からグランガー因果関係を推定する最先端の手法と競合する性能を得ることを示した。

関連論文リスト

• 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)
• Bayesian Vector AutoRegression with Factorised Granger-Causal Graphs [10.030023978159978]
  本研究では,観測時系列データからGranger因果関係を自動的に検出する問題について検討する。 本稿では,二元的グランガー因果グラフ上の事前分布を階層的に分解した新しいベイズVARモデルを提案する。 我々は,2進グランガー因果グラフの後方推定を効率的に行うアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-06T01:01:23Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
  重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。 我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• 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)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Joint estimation of multiple Granger causal networks: Inference of group-level brain connectivity [8.122270502556374]
  本稿では,複数のGrangerグラフィカルモデルの合同学習について検討し,複数の時系列にわたって基礎となる差分Granger因果関係構造を明らかにする。 また,ADHD-200データセットから利用可能な静止状態fMRI時系列にも適用し,因果関係の差異を学習した。
  論文  参考訳（メタデータ） (2021-05-15T10:29:02Z)
• 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)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• 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)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。