論文の概要: SpaceTime: Causal Discovery from Non-Stationary Time Series

• arxiv url: http://arxiv.org/abs/2501.10235v1
• Date: Fri, 17 Jan 2025 15:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:59:14.149920
• Title: SpaceTime: Causal Discovery from Non-Stationary Time Series
• Title（参考訳）: SpaceTime:非定常時系列からの因果発見
• Authors: Sarah Mameche, Lénaïg Cornanguer, Urmi Ninad, Jilles Vreeken,
• Abstract要約: 因果関係を理解することは困難であり、時間や環境によって因果関係を変えることでしばしば複雑になる。 時系列から因果グラフを発見する既存の方法は、定常性を仮定するか、時間的および空間的な分布の変化を許さないか、同じ因果関係を持つ位置を知らないかのいずれかである。 本研究では,非定常マルチコンテキスト設定における因果グラフ発見の3つのタスクを統一する。 本研究では,異なる漁獲量で測定された河川流出や生態系間の生物圏・大気相互作用など,実世界の現象に関する知見を提供する。
• 参考スコア（独自算出の注目度）: 34.39247638413985
• License:
• Abstract: Understanding causality is challenging and often complicated by changing causal relationships over time and across environments. Climate patterns, for example, shift over time with recurring seasonal trends, while also depending on geographical characteristics such as ecosystem variability. Existing methods for discovering causal graphs from time series either assume stationarity, do not permit both temporal and spatial distribution changes, or are unaware of locations with the same causal relationships. In this work, we therefore unify the three tasks of causal graph discovery in the non-stationary multi-context setting, of reconstructing temporal regimes, and of partitioning datasets and time intervals into those where invariant causal relationships hold. To construct a consistent score that forms the basis of our method, we employ the Minimum Description Length principle. Our resulting algorithm SPACETIME simultaneously accounts for heterogeneity across space and non-stationarity over time. Given multiple time series, it discovers regime changepoints and a temporal causal graph using non-parametric functional modeling and kernelized discrepancy testing. We also show that our method provides insights into real-world phenomena such as river-runoff measured at different catchments and biosphere-atmosphere interactions across ecosystems.
• Abstract（参考訳）: 因果関係を理解することは困難であり、時間や環境によって因果関係を変えることでしばしば複雑になる。 例えば、気候パターンは季節的な傾向を繰り返しながら時間とともに変化し、生態系の変動のような地理的特性にも依存する。 時系列から因果グラフを発見する既存の方法は、定常性を仮定するか、時間的および空間的な分布の変化を許さないか、同じ因果関係を持つ位置を知らないかのいずれかである。 そこで本研究では,非定常的マルチコンテキスト設定における因果グラフ発見の3つのタスク,時間的状況の再構築,データセットと時間間隔の分割を,因果関係が持つものに分割する。 本手法の基礎となる一貫したスコアを構築するために,最小記述長原理を用いる。 得られたアルゴリズムSPACETIMEは、時間とともに空間と非定常の異質性を同時に説明する。 複数の時系列が与えられたとき、非パラメトリック機能モデリングとカーネル化離散性テストを用いて、状態変化点と時間因果グラフを発見する。 また,本手法は,異なる漁獲量で測定された河川流出や生態系間の生物圏-大気相互作用など,現実世界の現象に関する知見を提供する。

関連論文リスト

• 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)
• Causal Discovery in Semi-Stationary Time Series [32.424281626708336]
  本研究では,観測時系列における因果関係を発見するための制約に基づく非パラメトリックアルゴリズムを提案する。 このアルゴリズムは離散時系列における因果関係の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-10T00:55:38Z)
• Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
  時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
  論文  参考訳（メタデータ） (2024-07-10T00:54:42Z)
• 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)
• When and How: Learning Identifiable Latent States for Nonstationary Time Series Forecasting [22.915008205203886]
  識別可能なlatEnt stAtes (IDEA) を学習し、分布シフトの発生を検知する。 さらに、定常状態と非定常状態とを十分な観測仮定で切り離して、潜在状態がどのように変化するかを学ぶ。 これらの理論に基づいて,自己回帰型隠れマルコフモデルを用いて潜伏環境を推定するIDEAモデルを考案した。
  論文  参考訳（メタデータ） (2024-02-20T07:16:12Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• INCREASE: Inductive Graph Representation Learning for Spatio-Temporal Kriging [35.193756288996944]
  SRU-temporal kriging は Web や Internet of Things のような Web やソーシャルアプリケーションにおいて重要な問題である。 クリグのための新しい帰納的グラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-06T12:28:35Z)
• Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
  本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
  論文  参考訳（メタデータ） (2021-10-23T19:57:22Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• 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)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。