論文の概要: Causal View of Time Series Imputation: Some Identification Results on Missing Mechanism

• arxiv url: http://arxiv.org/abs/2505.07180v1
• Date: Mon, 12 May 2025 02:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.244618
• Title: Causal View of Time Series Imputation: Some Identification Results on Missing Mechanism
• Title（参考訳）: 時系列インプットの因果的視点:欠落機構の同定結果
• Authors: Ruichu Cai, Kaitao Zheng, Junxian Huang, Zijian Li, Zhengming Chen, Boyan Xu, Zhifeng Hao,
• Abstract要約: 時系列計算は最も困難な問題の1つであり、医療やモノのインターネットといった様々な分野で広く応用されている。 現実のシナリオでは、MAR(Missing Not At Random)やMNAR(Missing Not At Random)といった、さまざまなタイプの欠落メカニズムが時系列データで起こりうる。 そこで本研究では,異なるミス機構 (DMM) を探索し,それに応じて解を調整することにより,時系列計算問題の枠組みを提案する。
• 参考スコア（独自算出の注目度）: 21.428488162518732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series imputation is one of the most challenge problems and has broad applications in various fields like health care and the Internet of Things. Existing methods mainly aim to model the temporally latent dependencies and the generation process from the observed time series data. In real-world scenarios, different types of missing mechanisms, like MAR (Missing At Random), and MNAR (Missing Not At Random) can occur in time series data. However, existing methods often overlook the difference among the aforementioned missing mechanisms and use a single model for time series imputation, which can easily lead to misleading results due to mechanism mismatching. In this paper, we propose a framework for time series imputation problem by exploring Different Missing Mechanisms (DMM in short) and tailoring solutions accordingly. Specifically, we first analyze the data generation processes with temporal latent states and missing cause variables for different mechanisms. Sequentially, we model these generation processes via variational inference and estimate prior distributions of latent variables via normalizing flow-based neural architecture. Furthermore, we establish identifiability results under the nonlinear independent component analysis framework to show that latent variables are identifiable. Experimental results show that our method surpasses existing time series imputation techniques across various datasets with different missing mechanisms, demonstrating its effectiveness in real-world applications.
• Abstract（参考訳）: 時系列計算は最も困難な問題の1つであり、医療やモノのインターネットといった様々な分野で広く応用されている。 既存の手法は主に、観測された時系列データから時間的遅延依存性と生成過程をモデル化することを目的としている。 現実のシナリオでは、MAR(Missing Not At Random)やMNAR(Missing Not At Random)といった、さまざまなタイプの欠落メカニズムが時系列データで起こりうる。 しかし、既存の手法では、上記のメカニズムの相違を見落とし、時系列の計算に1つのモデルを使用することが多いため、メカニズムのミスマッチによる誤った結果を容易に導き出すことができる。 本稿では、異なるミス機構(DMM: Different Missing Mechanisms)を探索し、それに応じて調整を行うことにより、時系列計算問題の枠組みを提案する。 具体的には、まず、時間的遅延状態と、異なるメカニズムに対する原因変数の欠如によるデータ生成プロセスを分析する。 そこで我々は,これらの生成過程を変動推論を用いてモデル化し,フローベースニューラルアーキテクチャの正規化による潜伏変数の事前分布を推定する。 さらに、非線形独立成分分析フレームワークを用いて、潜伏変数が識別可能であることを示す。 実験結果から,提案手法は,異なるメカニズムの異なる様々なデータセットにまたがる既存の時系列計算手法を超越し,実世界の応用におけるその有効性を実証した。

関連論文リスト

• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• 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)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• 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)
• On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
  時系列データ上で異なるタスクに成功しているモデルを最近導入した。 本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。 実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
  論文  参考訳（メタデータ） (2021-02-10T15:49:27Z)
• A Survey on Principles, Models and Methods for Learning from Irregularly Sampled Time Series [18.224344440110862]
  不規則にサンプリングされた時系列データは、生物学、生態学、気候科学、天文学、健康など、多くの応用領域で自然に発生する。 まず、不規則なサンプル時系列から学習するアプローチが異なるいくつかの軸について述べる。 次に、モデリングプリミティブの軸に沿って整理された最近の文献を調査します。
  論文  参考訳（メタデータ） (2020-11-30T23:41:47Z)

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。