論文の概要: Causal discovery in deterministic discrete LTI-DAE systems
- arxiv url: http://arxiv.org/abs/2506.20169v1
- Date: Wed, 25 Jun 2025 06:47:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 21:00:42.630683
- Title: Causal discovery in deterministic discrete LTI-DAE systems
- Title（参考訳）: 決定論的離散LTI-DAEシステムにおける因果発見
- Authors: Bala Rajesh Konkathi, Arun K. Tangirala,
- Abstract要約: 2022年に提案されたKathariとTangiralaによる最近の研究は、因果発見法を制約同定問題として定式化した。
提案手法は,最小限の部分集合まで因果ドライバを識別する。
本手法の有効性を示すために事例研究を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discovering pure causes or driver variables in deterministic LTI systems is of vital importance in the data-driven reconstruction of causal networks. A recent work by Kathari and Tangirala, proposed in 2022, formulated the causal discovery method as a constraint identification problem. The constraints are identified using a dynamic iterative PCA (DIPCA)-based approach for dynamical systems corrupted with Gaussian measurement errors. The DIPCA-based method works efficiently for dynamical systems devoid of any algebraic relations. However, several dynamical systems operate under feedback control and/or are coupled with conservation laws, leading to differential-algebraic (DAE) or mixed causal systems. In this work, a method, namely the partition of variables (PoV), for causal discovery in LTI-DAE systems is proposed. This method is superior to the method that was presented by Kathari and Tangirala (2022), as PoV also works for pure dynamical systems, which are devoid of algebraic equations. The proposed method identifies the causal drivers up to a minimal subset. PoV deploys DIPCA to first determine the number of algebraic relations ($n_a$), the number of dynamical relations ($n_d$) and the constraint matrix. Subsequently, the subsets are identified through an admissible partitioning of the constraint matrix by finding the condition number of it. Case studies are presented to demonstrate the effectiveness of the proposed method.
- Abstract（参考訳）: 決定論的LTIシステムにおける純粋原因やドライバ変数の発見は、因果ネットワークのデータ駆動再構築において極めて重要である。
2022年に提案されたKathariとTangiralaによる最近の研究は、因果発見法を制約同定問題として定式化した。
これらの制約は、ガウス測定誤差で破損した力学系に対する動的反復PCA(DIPCA)に基づくアプローチを用いて同定される。
DIPCA法は任意の代数的関係を持たない力学系に対して効率的に機能する。
しかし、いくつかの力学系はフィードバック制御の下で動作し、/または保存法則と結合し、微分代数系(DAE)や混合因果系となる。
本研究では,LTI-DAEシステムにおける因果発見のための変数分割法(PoV)を提案する。
この方法はKathari と Tangirala (2022) によって提示された方法よりも優れており、PoV は代数方程式を欠いた純粋力学系でも機能する。
提案手法は,最小限の部分集合まで因果ドライバを識別する。
PoVはDIPCAをデプロイし、まず代数関係の個数(n_a$)、動的関係の個数(n_d$)、制約行列を決定する。
その後、制約行列の許容分割によってサブセットを同定し、その条件数を求める。
本手法の有効性を示すために事例研究を行った。
関連論文リスト
- Identifying Large-Scale Linear Parameter Varying Systems with Dynamic Mode Decomposition Methods [5.217516787417401]
本研究は,大規模LPVシステムの局所的およびグローバルな同定手法を開発する。
この方法は動的モード分解(DMD)にインスパイアされたDMD-LPVと呼ばれる。
実験により,提案手法は,全次元の同定を行うことなく,与えられた大規模システムの低次モデルを容易に同定できることが示唆された。
論文 参考訳（メタデータ） (2025-02-04T14:15:16Z) - Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - VENI, VINDy, VICI: a variational reduced-order modeling framework with uncertainty quantification [4.804365706049767]
我々は、低次モデル(ROM)を構築するためのデータ駆動型非侵入型フレームワークを提案する。
詳細は、縮小座標の分布を特定するための変分SINIで構成されている。
トレーニングされたオフラインで、特定されたモデルは、新しいパラメータインスタンスと、対応するフルタイムソリューションを計算するための新しい初期条件のためにクエリすることができる。
論文 参考訳（メタデータ） (2024-05-31T15:16:48Z) - System Identification with Copula Entropy [2.3980064191633232]
コプラエントロピー(CE)を用いた力学系の微分方程式の同定法を提案する。
この問題は変数選択問題と見なされ、従来提案されていた変数選択のためのCE法で解決された。
論文 参考訳（メタデータ） (2023-04-23T09:56:33Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳（メタデータ） (2022-12-01T17:36:30Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳（メタデータ） (2022-10-12T06:46:38Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - Parsimony-Enhanced Sparse Bayesian Learning for Robust Discovery of
Partial Differential Equations [5.584060970507507]
Parsimony Enhanced Sparse Bayesian Learning (PeSBL) 法は非線形力学系の部分微分方程式 (PDE) を解析するために開発された。
数値ケーススタディの結果,多くの標準力学系のPDEをPeSBL法を用いて正確に同定できることが示唆された。
論文 参考訳（メタデータ） (2021-07-08T00:56:11Z) - Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。
次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文 参考訳（メタデータ） (2020-05-18T14:08:49Z)
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。