論文の概要: Temporal Causal-based Simulation for Realistic Time-series Generation

• arxiv url: http://arxiv.org/abs/2506.02084v1
• Date: Mon, 02 Jun 2025 10:59:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.906018
• Title: Temporal Causal-based Simulation for Realistic Time-series Generation
• Title（参考訳）: 時間的因果に基づく実時間時系列生成のシミュレーション
• Authors: Nikolaos Gkorgkolis, Nikolaos Kougioulis, MingXue Wang, Bora Caglayan, Andrea Tonon, Dario Simionato, Ioannis Tsamardinos,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.49201581313345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal Discovery plays a pivotal role in revealing relationships among observed variables, particularly in the temporal setup. While the majority of CD methods rely on synthetic data for evaluation, and recently for training, these fall short in accurately mirroring real-world scenarios; an effect even more evident in temporal data. Generation techniques depending on simplified assumptions on causal structure, effects and time, limit the quality and diversity of the simulated data. In this work, we introduce Temporal Causal-based Simulation (TCS), a robust framework for generating realistic time-series data and their associated temporal causal graphs. The approach is structured in three phases: estimating the true lagged causal structure of the data, approximating the functional dependencies between variables and learning the noise distribution of the corresponding causal model, each part of which can be explicitly tailored based on data assumptions and characteristics. Through an extensive evaluation process, we highlight that single detection methods for generated data discrimination prove inadequate, accentuating it as a multifaceted challenge. For this, we detail a Min-max optimization phase that draws on AutoML techniques. Our contributions include a flexible, model-agnostic pipeline for generating realistic temporal causal data, a thorough evaluation setup which enhances the validity of the generated datasets and insights into the challenges posed by realistic data generation. Through experiments involving not only real but also semi-synthetic and purely synthetic datasets, we demonstrate that while sampling realistic causal data remains a complex task, our method enriches the domain of generating sensible causal-based temporal data.
• Abstract（参考訳）: 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。 CD法の大半は、評価のために合成データに依存しており、最近は訓練のために使われているが、これらの手法は現実世界のシナリオを正確に反映するのに不足している。 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。 本研究では,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。 このアプローチは,データの真のラタグ因果構造を推定し,変数間の関数的依存関係を近似し,対応する因果モデルの雑音分布を学習する。 広範囲な評価プロセスを通じて、生成したデータ識別のための単一の検出方法が不十分であることを証明し、それを多面的課題として強調する。 そのために、AutoML技術に基づくMin-max最適化フェーズについて詳述する。 私たちのコントリビューションには、現実的な時間的因果データを生成するためのフレキシブルでモデルに依存しないパイプライン、生成されたデータセットの妥当性を高め、現実的なデータ生成によって引き起こされる課題に対する洞察を徹底的に評価するセットアップが含まれています。 実データだけでなく、半合成データや純粋合成データを含む実験を通して、現実的な因果データをサンプリングすることは複雑な作業でありながら、本手法は意味のある因果データを生成する領域を充実させることを実証する。

関連論文リスト

• TimeGraph: Synthetic Benchmark Datasets for Robust Time-Series Causal Discovery [4.07304559469381]
  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。
  論文  参考訳（メタデータ） (2025-06-02T06:34:11Z)
• A Theoretical Perspective: How to Prevent Model Collapse in Self-consuming Training Loops [55.07063067759609]
  高品質なデータは大規模な生成モデルのトレーニングには不可欠だが、オンラインで利用可能な実際のデータの膨大な蓄積はほとんど枯渇している。 モデルは、さらなるトレーニングのために独自のデータを生成し、自己消費訓練ループ(STL)を形成する。 一部のモデルは劣化または崩壊するが、他のモデルはこれらの失敗をうまく回避し、理論的な理解にかなりのギャップを残している。
  論文  参考訳（メタデータ） (2025-02-26T06:18:13Z)
• Marginal Causal Flows for Validation and Inference [3.547529079746247]
  複雑なデータから得られる結果に対する介入の限界因果効果を調べることは依然として困難である。 Frugal Flowsは、正規化フローを使用してデータ生成過程を柔軟に学習する新しい確率ベース機械学習モデルである。 シミュレーションと実世界の両方のデータセットで実験を行った。
  論文  参考訳（メタデータ） (2024-11-02T16:04:57Z)
• 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)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Discovering Mixtures of Structural Causal Models from Time Series Data [23.18511951330646]
  基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。 このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。 本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-10T05:13:10Z)
• 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)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。