論文の概要: MXMap: A Multivariate Cross Mapping Framework for Causal Discovery in Dynamical Systems

• arxiv url: http://arxiv.org/abs/2502.03802v1
• Date: Thu, 06 Feb 2025 06:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:29:25.929208
• Title: MXMap: A Multivariate Cross Mapping Framework for Causal Discovery in Dynamical Systems
• Title（参考訳）: MXMap:動的システムにおける因果発見のための多変量クロスマッピングフレームワーク
• Authors: Elise Zhang, François Mirallès, Raphaël Rousseau-Rizzi, Arnaud Zinflou, Di Wu, Benoit Boulet,
• Abstract要約: 部分的クロスマッピング(PCM)は,3変数系における間接因果関係に対処するために,収束的クロスマッピング(CCM)の拡張として導入された。 本研究では,PCMを多変量設定に拡張し,間接因果関係をより効果的に識別するためにマルチPCMを導入する。 2段階のフレームワークは、(1)初期因果グラフを確立するためのペアワイズCCMテストと(2)間接因果接続を切断してグラフを洗練するためのマルチPCMを組み合わせる。
• 参考スコア（独自算出の注目度）: 6.746180024064546
• License:
• Abstract: Convergent Cross Mapping (CCM) is a powerful method for detecting causality in coupled nonlinear dynamical systems, providing a model-free approach to capture dynamic causal interactions. Partial Cross Mapping (PCM) was introduced as an extension of CCM to address indirect causality in three-variable systems by comparing cross-mapping quality between direct cause-effect mapping and indirect mapping through an intermediate conditioning variable. However, PCM remains limited to univariate delay embeddings in its cross-mapping processes. In this work, we extend PCM to the multivariate setting, introducing multiPCM, which leverages multivariate embeddings to more effectively distinguish indirect causal relationships. We further propose a multivariate cross-mapping framework (MXMap) for causal discovery in dynamical systems. This two-phase framework combines (1) pairwise CCM tests to establish an initial causal graph and (2) multiPCM to refine the graph by pruning indirect causal connections. Through experiments on simulated data and the ERA5 Reanalysis weather dataset, we demonstrate the effectiveness of MXMap. Additionally, MXMap is compared against several baseline methods, showing advantages in accuracy and causal graph refinement.
• Abstract（参考訳）: 収束クロスマッピング(CCM)は、結合された非線形力学系における因果性を検出する強力な手法であり、動的因果相互作用を捉えるためのモデルのないアプローチを提供する。 部分的クロスマッピング(PCM)は、3変数系における間接因果性に対処するためにCCMの拡張として導入され、直接因果写像と中間条件変数による間接写像のクロスマッピング品質を比較した。 しかし、PCMはクロスマッピングプロセスにおける一変量遅延埋め込みに限定されている。 本研究では,PCMを多変量設定に拡張し,多変量埋め込みを利用して間接因果関係をより効果的に識別するマルチPCMを提案する。 さらに,動的システムにおける因果発見のための多変量クロスマッピングフレームワーク(MXMap)を提案する。 この2段階のフレームワークは、(1)初期因果グラフを確立するためのペアワイズCCMテストと(2)間接因果接続を切断してグラフを洗練するためのマルチPCMを組み合わせる。 シミュレーションデータとERA5リアナリシス気象データを用いてMXMapの有効性を実証した。 さらに、MXMapはいくつかのベースライン法と比較され、精度と因果グラフの改良の利点を示している。

関連論文リスト

• Joint Transmit and Pinching Beamforming for PASS: Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• 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)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Predicting Influential Higher-Order Patterns in Temporal Network Data [2.5782420501870287]
  最大距離までの全経路を考慮に入れながら,より高い距離での経路を無視する多階生成モデルMOGenに基づく8つの集中度尺度を提案する。 我々はMOGenがネットワークモデルとパスベースの予測の両方を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2021-07-26T10:44:46Z)
• Multiple-shooting adjoint method for whole-brain dynamic causal modeling [8.943170877509923]
  機能的MRI(fMRI)における全脳機能解析などの大規模システムに適したマルチショットアジョイント(MSA) MSAはEMよりもパラメータ値推定の精度が高い。 本研究では,自閉症スペクトラム障害(ASD)と制御の分類を機能的コネクトームと比較し改善した。
  論文  参考訳（メタデータ） (2021-02-14T05:00:12Z)
• Fast Nonconvex $T_2^*$ Mapping Using ADMM [14.22930572798757]
  磁気共鳴(MR)$T*$マッピングは、様々な臨床応用において出血、石灰化、鉄沈着の研究に広く用いられているが、組織における所望のコントラストの直接的かつ正確なマッピングを提供する。 従来の3D解像度の$*$マッピング法で必要とされる長い取得時間は、患者に不快を生じさせ、再構成された画像に運動アーティファクトを導入し、より広い適用性を制限する。 本稿では,圧縮センシングを用いたアンダーサンプルデータから$T*$マッピングを行うことでこの問題に対処する。
  論文  参考訳（メタデータ） (2020-08-04T20:08:43Z)
• Joint Total Variation ESTATICS for Robust Multi-Parameter Mapping [0.0]
  ESTATICSは、R2*と複数の外挿インターセプトを抽出するために、複数のエコー系列の連接対数整合を行う。 提案アルゴリズムは,リッチな単目的データセットにおいて,左からのエコーを予測して評価する。
  論文  参考訳（メタデータ） (2020-05-28T19:08:42Z)

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。