Fugu-MT 論文翻訳(概要): TimeGraph: Synthetic Benchmark Datasets for Robust Time-Series Causal Discovery

論文の概要: TimeGraph: Synthetic Benchmark Datasets for Robust Time-Series Causal Discovery

arxiv url: http://arxiv.org/abs/2506.01361v1
Date: Mon, 02 Jun 2025 06:34:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-04 21:47:34.056273
Title: TimeGraph: Synthetic Benchmark Datasets for Robust Time-Series Causal Discovery
Title（参考訳）: TimeGraph:ロバストな時系列因果発見のための総合ベンチマークデータセット
Authors: Muhammad Hasan Ferdous, Emam Hossain, Md Osman Gani,
Abstract要約: 合成時系列ベンチマークデータセットの総合的なスイートであるTimeGraphを紹介する。各データセットには、様々な密度と多様なノイズ分布を特徴とする、完全に定義された因果グラフが付属する。我々は、最先端因果探索アルゴリズムの体系的評価を通じて、TimeGraphの有用性を実証する。
参考スコア（独自算出の注目度）: 4.07304559469381
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robust causal discovery in time series datasets depends on reliable benchmark datasets with known ground-truth causal relationships. However, such datasets remain scarce, and existing synthetic alternatives often overlook critical temporal properties inherent in real-world data, including nonstationarity driven by trends and seasonality, irregular sampling intervals, and the presence of unobserved confounders. To address these challenges, we introduce TimeGraph, a comprehensive suite of synthetic time-series benchmark datasets that systematically incorporates both linear and nonlinear dependencies while modeling key temporal characteristics such as trends, seasonal effects, and heterogeneous noise patterns. Each dataset is accompanied by a fully specified causal graph featuring varying densities and diverse noise distributions and is provided in two versions: one including unobserved confounders and one without, thereby offering extensive coverage of real-world complexity while preserving methodological neutrality. We further demonstrate the utility of TimeGraph through systematic evaluations of state-of-the-art causal discovery algorithms including PCMCI+, LPCMCI, and FGES across a diverse array of configurations and metrics. Our experiments reveal significant variations in algorithmic performance under realistic temporal conditions, underscoring the need for robust synthetic benchmarks in the fair and transparent assessment of causal discovery methods. The complete TimeGraph suite, including dataset generation scripts, evaluation metrics, and recommended experimental protocols, is freely available to facilitate reproducible research and foster community-driven advancements in time-series causal discovery.
Abstract（参考訳）: 時系列データセットにおけるロバスト因果発見は、既知の地道因果関係を持つ信頼性のあるベンチマークデータセットに依存する。しかし、そのようなデータセットは乏しいままであり、既存の合成代替手段は、トレンドや季節によって駆動される非定常性、不規則なサンプリング間隔、そして観測されていない共同設立者の存在など、実世界のデータに固有の重要な時間的特性をしばしば見落としている。これらの課題に対処するために、TimeGraphは、線形および非線形の依存関係を体系的に組み込んだ総合的な時系列ベンチマークデータセットスイートであり、トレンド、季節効果、異種ノイズパターンなどの重要な時間特性をモデル化する。各データセットには、さまざまな密度と多様なノイズ分布を備えた、完全に定義された因果グラフが付属しており、ひとつは、観測されていない共同創設者を含むバージョンと、もうひとつは、方法論的な中立性を維持しながら、現実世界の複雑さを広範囲にカバーするバージョンである。さらに, PCMCI+, LPCMCI, FGESなどの最先端因果探索アルゴリズムを, 多様な構成やメトリクスで体系的に評価することで, TimeGraphの有用性を実証する。本実験は, 実時間条件下でのアルゴリズム性能の有意な変動を明らかにし, 因果発見手法の公正かつ透明な評価において, 頑健な合成ベンチマークの必要性を裏付けるものである。データセット生成スクリプト、評価指標、推奨実験プロトコルを含む完全なTimeGraphスイートは、再現可能な研究を促進し、時系列因果発見におけるコミュニティ主導の進歩を促進するために、自由に利用可能である。

関連論文リスト

Temporal Causal-based Simulation for Realistic Time-series Generation [1.49201581313345]
因果発見(Causal Discovery)は、観察された変数間の関係を明らかにする上で、特に時間的設定において重要な役割を果たす。因果構造、効果、時間に関する簡易な仮定に基づく生成技術は、シミュレーションデータの品質と多様性を制限する。本稿では,実時間時系列データとその関連する時間因果グラフを生成するための堅牢なフレームワークである時間因果シミュレーション(TCS)を紹介する。
論文参考訳（メタデータ） (2025-06-02T10:59:48Z)
Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks [12.784885649573994]
時系列データによる因果発見は、スライス内(同時)とスライス間(時差)の両方の因果関係を捉えることを目的としている。我々は, textbfShort-textbfTerm textbfInvariance に着目した勾配に基づく因果探索手法 STIC を提案する。
論文参考訳（メタデータ） (2024-08-15T08:43:28Z)
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)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
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)
CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery [14.092834149864514]
本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
論文参考訳（メタデータ） (2023-10-03T02:29:19Z)
Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文参考訳（メタデータ） (2023-09-11T08:44:07Z)
Continual Release of Differentially Private Synthetic Data from Longitudinal Data Collections [19.148874215745135]
本研究では,縦方向のデータ収集から微分プライベートな合成データを連続的に放出する問題について検討する。各ステップごとに、各ステップが新しいデータ要素をレポートするモデルを導入します。本稿では,2種類のクエリを連続的に保存する合成データ生成アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-13T16:22:08Z)
DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文参考訳（メタデータ） (2022-09-26T21:59:14Z)
PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-09-30T20:01:19Z)

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。