論文の概要: Conditional Local Independence Testing for Dynamic Causal Discovery

• arxiv url: http://arxiv.org/abs/2506.07844v2
• Date: Tue, 01 Jul 2025 13:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-02 15:54:40.113081
• Title: Conditional Local Independence Testing for Dynamic Causal Discovery
• Title（参考訳）: 動的因果発見のための条件付き局所独立試験
• Authors: Mingzhou Liu, Xinwei Sun, Yizhou Wang,
• Abstract要約: 伊藤プロセスにおける非パラメトリック条件局所独立試験を提案する。 推定のために,ルート-N整合性を実現する最適方程式に基づく効率的なフィルタリングを提案する。 人工および実世界の実験において提案した実験を検証する。
• 参考スコア（独自算出の注目度）: 18.93904361402666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring causal relationships from dynamical systems is the central interest of many scientific inquiries. Conditional Local Independence (CLI), which describes whether the evolution of one process is influenced by another process given additional processes, is important for causal learning in such systems. However, existing CLI tests were limited to counting processes. In this paper, we propose a nonparametric CLT test for It\^o processes. Specifically, we first introduce a testing statistic based on the Local Covariance Measure (LCM) by constructing a martingale from the conditional expectation of the process of interest. For estimation, we propose an efficient estimator based on the optimal filtering equation, which can achieve root-N consistency. To establish the asymptotic level and power of the test, we relax the restrictive boundedness condition to a moment bound condition, which is practical for It\^o processes. We verify the proposed test in synthetic and real-world experiments.
• Abstract（参考訳）: 力学系から因果関係を推定することは、多くの科学的研究の中心的関心事である。 条件付き局所独立(CLI)は、あるプロセスの進化が他のプロセスの影響を受けているかどうかを記述し、そのようなシステムにおける因果学習において重要である。 しかし、既存のCLIテストはカウントプロセスに限られていた。 本稿では, It\^o プロセスに対する非パラメトリック CLT テストを提案する。 具体的には、まず、関心のプロセスの条件付き期待からマーチンゲールを構築することで、LCM(Local Covariance Measure)に基づくテスト統計を導入する。 推定のために,ルート-N整合性が得られる最適フィルタリング方程式に基づく効率的な推定器を提案する。 テストの漸近レベルとパワーを確立するために、制限的境界条件をモーメント境界条件に緩和する。 人工および実世界の実験において提案した実験を検証する。

関連論文リスト

• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-10T17:04:39Z)
• Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes [7.103713918313219]
  条件付き独立性(CI)の制約を、選択した間隔で調整する。 我々は,完全かつ完全な因果探索アルゴリズムを提案し,完全な観測データと部分的な観測データの両方を扱えるようにした。 また、これらの制約をデータから推測するために、フレキシブルで一貫したカーネルベースのCIテストを提案する。
  論文  参考訳（メタデータ） (2024-02-28T16:58:31Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• 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)
• Causal Discovery from Conditionally Stationary Time Series [14.297325665581353]
  我々は,広範囲の非定常時系列を扱う因果探索手法を開発した。 State-Dependent Causal Inference (SDCI)と名付けられた私たちのアプローチは、根底にある因果関係を回復することができる。 非線形粒子相互作用データと遺伝子制御ネットワークに関する実証実験は、SDCIの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-12T18:12:57Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• 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)
• Counterfactual Data Augmentation using Locally Factored Dynamics [44.37487079747397]
  局所因果構造を利用して、シーケンス予測と非政治強化学習のサンプル効率を向上させることができる。 本稿では,これらの構造をオブジェクト指向の状態表現として推定する手法と,対実データ拡張のための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-06T16:29:00Z)

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。