論文の概要: ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series

• arxiv url: http://arxiv.org/abs/2507.03310v1
• Date: Fri, 04 Jul 2025 05:39:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.670039
• Title: ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series
• Title（参考訳）: ReTimeCausal:不規則時系列における解釈可能な因果発見のためのEM付加雑音モデル
• Authors: Weihong Li, Anpeng Wu, Kun Kuang, Keting Yin,
• Abstract要約: 本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
• 参考スコア（独自算出の注目度）: 32.21736212737614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies causal discovery in irregularly sampled time series-a pivotal challenge in high-stakes domains like finance, healthcare, and climate science, where missing data and inconsistent sampling frequencies distort causal mechanisms. Traditional methods (e.g., Granger causality, PCMCI) fail to reconcile multi-scale interactions (e.g., hourly storms vs. decadal climate shifts), while neural approaches (e.g., CUTS+) lack interpretability, stemming from a critical gap: existing frameworks either rigidly assume temporal regularity or aggregate dynamics into opaque representations, neglecting real-world granularity and auditable logic. To bridge this gap, we propose ReTimeCausal, a novel integration of Additive Noise Models (ANM) and Expectation-Maximization (EM) that unifies physics-guided data imputation with sparse causal inference. Through kernelized sparse regression and structural constraints, ReTimeCausal iteratively refines missing values (E-step) and causal graphs (M-step), resolving cross-frequency dependencies and missing data issues. Extensive experiments on synthetic and real-world datasets demonstrate that ReTimeCausal outperforms existing state-of-the-art methods under challenging irregular sampling and missing data conditions.
• Abstract（参考訳）: 本稿では,不規則にサンプリングされた時系列データにおける因果発見について考察する。金融,医療,気候科学といった高度な分野において,欠落データや不整合サンプリング周波数が因果機構を歪ませる場合において重要な課題である。 従来の手法(例えば、Granger causality、PCMCI)は、マルチスケールな相互作用(例えば、時間ごとの嵐とdecadal climate shifts)の調整に失敗する一方、ニューラルアプローチ(例えば、CUTS+)は、重要なギャップから起因して解釈可能性に欠ける:既存のフレームワークは、時間的規則性を厳格に仮定するか、動的を不透明な表現に集約し、現実の粒度や監査可能なロジックを無視している。 このギャップを埋めるために、我々は、物理誘導型データ計算とスパース因果推論を統一する追加ノイズモデル(ANM)と期待最大化(EM)の新たな統合であるReTimeCausalを提案する。 カーネル化されたスパース回帰と構造的制約を通じて、ReTimeCausalは欠落値(E-step)と因果グラフ(M-step)を反復的に洗練し、クロス周波数依存の解消と欠落データの問題に対処する。 合成および実世界のデータセットに関する大規模な実験により、ReTimeCausalは、不規則なサンプリングと欠落したデータ条件の下で、既存の最先端の手法よりも優れていたことが示されている。

関連論文リスト

• Flow-Based Non-stationary Temporal Regime Causal Structure Learning [49.77103348208835]
  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。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• 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)
• Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks [12.784885649573994]
  時系列データによる因果発見は、スライス内(同時)とスライス間(時差)の両方の因果関係を捉えることを目的としている。 我々は, textbfShort-textbfTerm textbfInvariance に着目した勾配に基づく因果探索手法 STIC を提案する。
  論文  参考訳（メタデータ） (2024-08-15T08:43:28Z)
• 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)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• 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)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。