論文の概要: Hierarchical Representations for Evolving Acyclic Vector Autoregressions (HEAVe)
- arxiv url: http://arxiv.org/abs/2505.12806v1
- Date: Mon, 19 May 2025 07:33:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.468464
- Title: Hierarchical Representations for Evolving Acyclic Vector Autoregressions (HEAVe)
- Title（参考訳）: 非循環的ベクトル自己回帰(HEAVe)の階層的表現
- Authors: Cameron Cornell, Lewis Mitchell, Matthew Roughan,
- Abstract要約: 因果ネットワークは時系列システム内の影響構造を理解するための直感的なフレームワークを提供する。
サイクルの存在は動的関係を曖昧にし、階層解析を妨げる。
本稿では,非巡回ベクトル自己回帰過程に適合する進化的アプローチを提案し,新しい階層的表現を導入する。
- 参考スコア（独自算出の注目度）: 0.04096453902709291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal networks offer an intuitive framework to understand influence structures within time series systems. However, the presence of cycles can obscure dynamic relationships and hinder hierarchical analysis. These networks are typically identified through multivariate predictive modelling, but enforcing acyclic constraints significantly increases computational and analytical complexity. Despite recent advances, there remains a lack of simple, flexible approaches that are easily tailorable to specific problem instances. We propose an evolutionary approach to fitting acyclic vector autoregressive processes and introduces a novel hierarchical representation that directly models structural elements within a time series system. On simulated datasets, our model retains most of the predictive accuracy of unconstrained models and outperforms permutation-based alternatives. When applied to a dataset of 100 cryptocurrency return series, our method generates acyclic causal networks capturing key structural properties of the unconstrained model. The acyclic networks are approximately sub-graphs of the unconstrained networks, and most of the removed links originate from low-influence nodes. Given the high levels of feature preservation, we conclude that this cryptocurrency price system functions largely hierarchically. Our findings demonstrate a flexible, intuitive approach for identifying hierarchical causal networks in time series systems, with broad applications to fields like econometrics and social network analysis.
- Abstract（参考訳）: 因果ネットワークは時系列システム内の影響構造を理解するための直感的なフレームワークを提供する。
しかし、サイクルの存在は動的関係を曖昧にし、階層解析を妨げる。
これらのネットワークは、典型的には多変量予測モデルによって識別されるが、非循環的な制約を課すことは、計算と解析の複雑さを著しく増大させる。
最近の進歩にもかかわらず、特定の問題インスタンスに容易に対応可能な、シンプルで柔軟なアプローチがまだ存在しない。
本稿では,非巡回ベクトル自己回帰過程に適合する進化的アプローチを提案し,時系列システム内の構造要素を直接モデル化する新しい階層的表現を提案する。
シミュレーションデータセットでは、制約のないモデルの予測精度の大部分を保持し、置換に基づく代替よりも優れています。
提案手法は,100の暗号リターン系列のデータセットに適用した場合,非拘束モデルの重要な構造特性を捉える非循環因果ネットワークを生成する。
非循環ネットワークは、制約のないネットワークのおよそ部分グラフであり、除去されたリンクのほとんどは、低影響ノードに由来する。
高水準の機能保存を考えると、この暗号通貨の価格体系は概ね階層的に機能する。
本研究は,時系列システムにおける階層型因果関係の同定に柔軟で直感的なアプローチを示し,計量学やソーシャルネットワーク分析などの分野に広く応用されている。
関連論文リスト
- Multi-Agent Q-Learning Dynamics in Random Networks: Convergence due to Exploration and Sparsity [5.925608009772727]
ネットワーク構造がランダムなグラフモデルから引き出されるネットワークポリマトリクスゲームにおけるQラーニングダイナミクスについて検討する。
各設定において、エージェントの合同戦略が一意の平衡に収束する十分な条件を確立する。
数値シミュレーションにより理論的知見を検証し,多エージェントシステムにおいて収束が確実に達成できることを実証する。
論文 参考訳（メタデータ） (2025-03-13T09:16:51Z) - Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。
本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
論文 参考訳（メタデータ） (2024-10-03T15:18:00Z) - Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。
記号の配置に非依存であり、それによって表現される意味論にのみ依存する。
識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
論文 参考訳（メタデータ） (2024-05-12T22:18:25Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Generating fine-grained surrogate temporal networks [12.7211231166069]
代理時間ネットワークを生成するための新しい簡易な手法を提案する。
本手法は、入力ネットワークを時間とともに進化する星状構造に分解する。
次に、これらの構造をビルディングブロックとして使用して、代理時間ネットワークを生成する。
論文 参考訳（メタデータ） (2022-05-18T09:38:22Z) - A purely data-driven framework for prediction, optimization, and control
of networked processes: application to networked SIS epidemic model [0.8287206589886881]
我々は,大規模ネットワーク上での非線形力学の同定と制御を行う演算子理論に基づくデータ駆動型フレームワークを開発した。
提案手法では、ネットワーク構造に関する事前の知識は必要とせず、状態の2段階のスナップショットのみを用いて基礎となるダイナミクスを識別する。
論文 参考訳（メタデータ） (2021-08-01T03:57:10Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Consistency of Spectral Clustering on Hierarchical Stochastic Block
Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。
本手法の強い一貫性を,幅広いモデルパラメータで証明する。
既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文 参考訳（メタデータ） (2020-04-30T01:08:59Z) - Shift Aggregate Extract Networks [3.3263205689999453]
大規模グラフの効率的な表現を学習するために,階層分解に基づくアーキテクチャを導入する。
我々のフレームワークは、カーネルメソッドで使用される古典的なR分解を拡張し、ネストした部分関係を可能にする。
我々は,我々のアプローチが,大規模ソーシャルネットワークデータセット上で現在最先端のグラフ分類手法より優れていることを実証的に示す。
論文 参考訳（メタデータ） (2017-03-16T09:52:48Z)
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。