論文の概要: Using Time Structure to Estimate Causal Effects

• arxiv url: http://arxiv.org/abs/2504.11076v1
• Date: Tue, 15 Apr 2025 11:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:06:09.045128
• Title: Using Time Structure to Estimate Causal Effects
• Title（参考訳）: 時間構造を用いた因果効果の推定
• Authors: Tom Hochsprung, Jakob Runge, Andreas Gerhardus,
• Abstract要約: 時系列設定における直接(およびライトの経路規則全体を通して)因果効果を推定するための新しいアプローチを提案する。 このアプローチは、基礎となる時系列が構造ベクトル自己回帰過程であると仮定する。
• 参考スコア（独自算出の注目度）: 12.658042559371712
• License:
• Abstract: There exist several approaches for estimating causal effects in time series when latent confounding is present. Many of these approaches rely on additional auxiliary observed variables or time series such as instruments, negative controls or time series that satisfy the front- or backdoor criterion in certain graphs. In this paper, we present a novel approach for estimating direct (and via Wright's path rule total) causal effects in a time series setup which does not rely on additional auxiliary observed variables or time series. This approach assumes that the underlying time series is a Structural Vector Autoregressive (SVAR) process and estimates direct causal effects by solving certain linear equation systems made up of different covariances and model parameters. We state sufficient graphical criteria in terms of the so-called full time graph under which these linear equations systems are uniquely solvable and under which their solutions contain the to-be-identified direct causal effects as components. We also state sufficient lag-based criteria under which the previously mentioned graphical conditions are satisfied and, thus, under which direct causal effects are identifiable. Several numerical experiments underline the correctness and applicability of our results.
• Abstract（参考訳）: 時系列における因果効果を推定するためのいくつかのアプローチがある。 これらのアプローチの多くは、あるグラフのフロントやバックドアの基準を満たす計器、負の制御、時系列などの追加の補助的な変数や時系列に依存している。 本稿では、追加の補助変数や時系列に依存しない時系列設定において、直接(およびライトの経路規則全体を通して)因果効果を推定するための新しいアプローチを提案する。 このアプローチは、基礎となる時系列が構造ベクトル自己回帰(SVAR)過程であると仮定し、異なる共分散とモデルパラメータからなるある種の線形方程式系を解くことによって直接因果効果を推定する。 線形方程式系が一意に解けるような「フルタイムグラフ」という用語で十分なグラフィカルな基準を述べ、それらの解が成分として同定される直接的な因果効果を含むことを述べる。 また,前述したグラフィカルな条件が満たされ,直接的な因果効果が特定できる十分なラグベースの基準についても述べる。 いくつかの数値実験により, 結果の正しさと適用性について検討した。

関連論文リスト

• Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series [5.460420960898444]
  我々は不規則な時間点で観測された時系列の系統的相互作用を明らかにするグラフベースモデルを開発した。 時系列分類や予測など,いくつかの課題に対するアプローチの有効性を検証し,その有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-17T21:10:39Z)
• 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)
• 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)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• Learning the Dynamics of Sparsely Observed Interacting Systems [0.6021787236982659]
  ターゲットと特徴時系列をリンクする未知の非パラメトリックシステムのダイナミクスを学習する問題に対処する。 符号のリッチな理論を活用することで、この非線形問題を高次元線形回帰として考えることができる。
  論文  参考訳（メタデータ） (2023-01-27T10:48:28Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 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)
• Efficient Variational Bayesian Structure Learning of Dynamic Graphical Models [19.591265962713837]
  時間変化のグラフィカルモデルの推定は、様々な社会的、経済的、生物学的、工学的システムにおいて最重要となる。 既存の手法では、グラフの間隔と時間的滑らかさを制御するパラメータを広範囲にチューニングする必要がある。 我々はBADGEという低複素性チューニング自由ベイズアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-16T14:19:23Z)

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。