論文の概要: Flow-Based Non-stationary Temporal Regime Causal Structure Learning

• arxiv url: http://arxiv.org/abs/2506.17065v1
• Date: Fri, 20 Jun 2025 15:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.505148
• Title: Flow-Based Non-stationary Temporal Regime Causal Structure Learning
• Title（参考訳）: フローベース非定常時間正規化因果構造学習
• Authors: Abdellah Rahmani, Pascal Frossard,
• Abstract要約: 因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
• 参考スコア（独自算出の注目度）: 49.77103348208835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding causal relationships in multivariate time series is crucial in many scenarios, such as those dealing with financial or neurological data. Many such time series exhibit multiple regimes, i.e., consecutive temporal segments with a priori unknown boundaries, with each regime having its own causal structure. Inferring causal dependencies and regime shifts is critical for analyzing the underlying processes. However, causal structure learning in this setting is challenging due to (1) non stationarity, i.e., each regime can have its own causal graph and mixing function, and (2) complex noise distributions, which may be non Gaussian or heteroscedastic. Existing causal discovery approaches cannot address these challenges, since generally assume stationarity or Gaussian noise with constant variance. Hence, we introduce FANTOM, a unified framework for causal discovery that handles non stationary processes along with non Gaussian and heteroscedastic noises. FANTOM simultaneously infers the number of regimes and their corresponding indices and learns each regime's Directed Acyclic Graph. It uses a Bayesian Expectation Maximization algorithm that maximizes the evidence lower bound of the data log likelihood. On the theoretical side, we prove, under mild assumptions, that temporal heteroscedastic causal models, introduced in FANTOM's formulation, are identifiable in both stationary and non stationary settings. In addition, extensive experiments on synthetic and real data show that FANTOM outperforms existing methods.
• Abstract（参考訳）: 多変量時系列における因果関係を理解することは、財務データや神経学的データを扱うような多くのシナリオにおいて重要である。 このような時系列の多くは、複数のレギュレーション、すなわち、事前の未知の境界を持つ連続した時間セグメントを示し、それぞれのレギュレーションは独自の因果構造を持つ。 因果依存性と体制シフトを推定することは、基礎となるプロセスを分析する上で重要である。 しかし、この設定における因果構造学習は、(1)非定常性、すなわち、各状態が独自の因果グラフと混合関数を持つことができ、(2)非ガウス的あるいはヘテロ代数学的な複雑なノイズ分布を持つため、困難である。 既存の因果発見アプローチでは、定常性やガウスノイズを一定のばらつきで仮定するため、これらの課題に対処できない。 そこで本研究では,非定常過程と非ガウスおよびヘテロセダスティックノイズを扱う因果発見のための統合フレームワークであるFANTOMを紹介する。 FANTOMは同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。 ベイズ予想最大化アルゴリズムを用いて、データログの可能性の低いエビデンスを最大化する。 理論的には、軽微な仮定の下で、FANTOMの定式化で導入された時間的非定常的因果モデルが定常的および非定常的条件の両方で識別可能であることを証明している。 さらに、合成および実データに関する広範な実験は、FANTOMが既存の手法より優れていることを示している。

関連論文リスト

• SpaceTime: Causal Discovery from Non-Stationary Time Series [34.39247638413985]
  因果関係を理解することは困難であり、時間や環境によって因果関係を変えることでしばしば複雑になる。 時系列から因果グラフを発見する既存の方法は、定常性を仮定するか、時間的および空間的な分布の変化を許さないか、同じ因果関係を持つ位置を知らないかのいずれかである。 本研究では,非定常マルチコンテキスト設定における因果グラフ発見の3つのタスクを統一する。 本研究では,異なる漁獲量で測定された河川流出や生態系間の生物圏・大気相互作用など,実世界の現象に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-01-17T15:00:20Z)
• Causal Discovery in Semi-Stationary Time Series [32.424281626708336]
  本研究では,観測時系列における因果関係を発見するための制約に基づく非パラメトリックアルゴリズムを提案する。 このアルゴリズムは離散時系列における因果関係の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-10T00:55:38Z)
• Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
  観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。 本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
  論文  参考訳（メタデータ） (2024-05-11T04:15:47Z)
• 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)
• 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)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。