論文の概要: STOAT: Spatial-Temporal Probabilistic Causal Inference Network

• arxiv url: http://arxiv.org/abs/2506.09544v1
• Date: Wed, 11 Jun 2025 09:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.80524
• Title: STOAT: Spatial-Temporal Probabilistic Causal Inference Network
• Title（参考訳）: STOAT:時空間確率因果推論ネットワーク
• Authors: Yang Yang, Du Yin, Hao Xue, Flora Salim,
• Abstract要約: STOAT(Spatial-Temporal Probabilistic Causal Inference Network)を提案する。 提案手法は,地域間依存関係を符号化した空間関係行列を組み込むことで因果推論手法を拡張する。 6カ国にわたるCOVID-19データの実験では、STOATが最先端の確率予測モデルを上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 4.973408202277769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial-temporal causal time series (STC-TS) involve region-specific temporal observations driven by causally relevant covariates and interconnected across geographic or network-based spaces. Existing methods often model spatial and temporal dynamics independently and overlook causality-driven probabilistic forecasting, limiting their predictive power. To address this, we propose STOAT (Spatial-Temporal Probabilistic Causal Inference Network), a novel framework for probabilistic forecasting in STC-TS. The proposed method extends a causal inference approach by incorporating a spatial relation matrix that encodes interregional dependencies (e.g. proximity or connectivity), enabling spatially informed causal effect estimation. The resulting latent series are processed by deep probabilistic models to estimate the parameters of the distributions, enabling calibrated uncertainty modeling. We further explore multiple output distributions (e.g., Gaussian, Student's-$t$, Laplace) to capture region-specific variability. Experiments on COVID-19 data across six countries demonstrate that STOAT outperforms state-of-the-art probabilistic forecasting models (DeepAR, DeepVAR, Deep State Space Model, etc.) in key metrics, particularly in regions with strong spatial dependencies. By bridging causal inference and geospatial probabilistic forecasting, STOAT offers a generalizable framework for complex spatial-temporal tasks, such as epidemic management.
• Abstract（参考訳）: 時空間因果時間系列(英語版)(STC-TS)は、因果関係の共変によって駆動され、地理的またはネットワークベースの空間に相互接続される地域固有の時間観測を含む。 既存の手法はしばしば空間的・時間的ダイナミクスを独立にモデル化し、因果関係による確率的予測を見落とし、予測能力を制限する。 そこで我々は,STC-TSにおける確率予測の新しいフレームワークであるSTOAT(Spatial-Temporal Probabilistic Causal Inference Network)を提案する。 提案手法は,地域間依存関係(例えば近接性や接続性)を符号化する空間関係行列を組み込むことで因果推論手法を拡張し,空間情報による因果効果の推定を可能にする。 得られた潜在系列は、分布のパラメータを推定するために深い確率モデルによって処理され、キャリブレーションされた不確実性モデリングを可能にする。 さらに、複数の出力分布(例えば、ガウス、学生の-$t$、ラプラス)を探索して、地域固有の変数をキャプチャします。 6カ国にわたるCOVID-19データに関する実験によると、STOATは、特に強い空間依存性を持つ地域で、主要な指標において最先端の確率予測モデル(DeepAR、DeepVAR、Deep State Space Modelなど)を上回っている。 因果推論と地理空間確率予測をブリッジすることで、STOATは疫病管理のような複雑な空間的時間的タスクのための一般化可能なフレームワークを提供する。

関連論文リスト

• Collaborative Deterministic-Probabilistic Forecasting for Real-World Spatiotemporal Systems [21.530024142518887]
  CoSTは平均残留分解戦略を定式化するフレームワークである。 これは、条件平均と空間拡散モデルを捉えるために強力な決定論的モデルを使用し、不確かさを学習する。 実験の結果、CoSTは最先端のベースラインに対して25%の精度で達成され、計算コストは大幅に削減された。
  論文  参考訳（メタデータ） (2025-02-16T06:35:26Z)
• Fine-grained Spatio-temporal Event Prediction with Self-adaptive Anchor Graph [8.435985634889285]
  本稿では,詳細な事象予測のためのグラフ時空間点(GSTPP)モデルを提案する。 エンコーダ・コーダアーキテクチャを採用し、空間的局所化領域の状態ダイナミクスを共同でモデル化する。 提案したGSTPPモデルは,微細なイベント予測の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-01-15T08:38:07Z)
• SPTTE: A Spatiotemporal Probabilistic Framework for Travel Time Estimation [21.092166159353702]
  実世界の旅行データは、しばしば時間的に疎外され、不均一に分散される。 SPTTEは、RNNベースの時間的ガウス過程パラメータ化を導入し、スパース観測を規則化し、時間的依存関係をキャプチャする。 実世界のデータセットの評価によると、SPTTEは最先端の確率的手法を10.13%以上上回っている。
  論文  参考訳（メタデータ） (2024-11-27T16:28:54Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。