論文の概要: Exploring Neural Granger Causality with xLSTMs: Unveiling Temporal Dependencies in Complex Data

• arxiv url: http://arxiv.org/abs/2502.09981v1
• Date: Fri, 14 Feb 2025 08:07:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:45:04.279699
• Title: Exploring Neural Granger Causality with xLSTMs: Unveiling Temporal Dependencies in Complex Data
• Title（参考訳）: xLSTMによるニューラルグランガー因果関係の探索:複素データにおける時間依存性の解明
• Authors: Harsh Poonia, Felix Divo, Kristian Kersting, Devendra Singh Dhami,
• Abstract要約: 時系列における因果関係は、特に非線形依存の存在下では決定が難しい。 本稿では,変数間の長距離関係を捉えるために,Granger causal xLSTM(GC-xLSTM)を提案する。 提案したGC-xLSTMモデルの総合的有効性を示す3つのデータセットに関する実験的検討を行った。
• 参考スコア（独自算出の注目度）: 20.773694998061707
• License:
• Abstract: Causality in time series can be difficult to determine, especially in the presence of non-linear dependencies. The concept of Granger causality helps analyze potential relationships between variables, thereby offering a method to determine whether one time series can predict-Granger cause-future values of another. Although successful, Granger causal methods still struggle with capturing long-range relations between variables. To this end, we leverage the recently successful Extended Long Short-Term Memory (xLSTM) architecture and propose Granger causal xLSTMs (GC-xLSTM). It first enforces sparsity between the time series components by using a novel dynamic lass penalty on the initial projection. Specifically, we adaptively improve the model and identify sparsity candidates. Our joint optimization procedure then ensures that the Granger causal relations are recovered in a robust fashion. Our experimental evaluations on three datasets demonstrate the overall efficacy of our proposed GC-xLSTM model.
• Abstract（参考訳）: 時系列における因果関係は、特に非線形依存の存在下では決定が難しい。 グランガー因果関係の概念は変数間の潜在的な関係を分析するのに役立ち、ある時系列が別の時系列の因果関係を予測できるかどうかを判断する方法を提供する。 グランガー因果法は成功したが、変数間の長距離関係を捉えることにはまだ苦戦している。 この目的のために、最近成功した拡張長短期メモリ(xLSTM)アーキテクチャを活用し、Granger causal xLSTMs (GC-xLSTM)を提案する。 最初は、最初のプロジェクションに新しい動的ラスペナルティを使用することで、時系列コンポーネント間の間隔を強制する。 具体的には、モデルを適応的に改善し、スパーシティ候補を特定する。 共同最適化手法により,グランガー因果関係が頑健な方法で復元されることが保証される。 提案したGC-xLSTMモデルの総合的有効性を示す3つのデータセットに関する実験的検討を行った。

関連論文リスト

• 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)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Imaging Studies [8.709178038700033]
  本稿では,GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal study) という手法を用いて,この手法のギャップを埋める手法を提案する。 本稿では, GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal Studies) という手法を用いて, この方法論的ギャップを埋める手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T23:42:13Z)
• Multi-Target XGBoostLSS Regression [91.3755431537592]
  本稿では,複数の目標とその依存関係を確率論的回帰設定でモデル化するXGBoostLSSの拡張について述べる。 提案手法は,既存のGBMよりも実行時の方が優れており,精度も良好に比較できる。
  論文  参考訳（メタデータ） (2022-10-13T08:26:14Z)
• 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)
• Jacobian Granger Causal Neural Networks for Analysis of Stationary and Nonstationary Data [19.347558051611827]
  本稿では,変数重要度尺度としてヤコビアンを用いた神経ネットワークによるグランガー因果性へのアプローチを提案する。 結果として得られるアプローチは、グランガー因果変数を識別する他のアプローチと比較して一貫してうまく機能する。
  論文  参考訳（メタデータ） (2022-05-19T14:07:54Z)
• 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)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Overcoming Catastrophic Forgetting with Gaussian Mixture Replay [79.0660895390689]
  ガウス混合モデル(GMM)に基づく連続学習(CL)のためのリハーサルベースアプローチを提案する。 過去のタスクからサンプルを生成し,現在のトレーニングデータと統合することで,破滅的忘れ(cf)を緩和する。 複数の画像データセットでGMRを評価し,クラス別サブタスクに分割する。
  論文  参考訳（メタデータ） (2021-04-19T11:41:34Z)
• 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)
• Dynamic Window-level Granger Causality of Multi-channel Time Series [28.302491046127443]
  マルチチャネル時系列データに対する動的ウィンドウレベルグランガー因果関係法(DWGC)を提案する。 本稿では,DWGC法における因果索引付け手法を提案する。
  論文  参考訳（メタデータ） (2020-06-14T03:53:42Z)

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。