Fugu-MT 論文翻訳(概要): Robust Causal Discovery in Real-World Time Series with Power-Laws

論文の概要: Robust Causal Discovery in Real-World Time Series with Power-Laws

arxiv url: http://arxiv.org/abs/2507.12257v1
Date: Wed, 16 Jul 2025 14:02:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-17 19:00:11.422404
Title: Robust Causal Discovery in Real-World Time Series with Power-Laws
Title（参考訳）: パワーローを用いた実時間時系列におけるロバスト因果発見
Authors: Matteo Tusoni, Giuseppe Masi, Andrea Coletta, Aldo Glielmo, Viviana Arrigoni, Novella Bartolini,
Abstract要約: 因果発見 (Causal Discovery, CD) は時系列における因果関係を探究するために提案されている。 CDアルゴリズムは、しばしばノイズに対する高い感度を示し、実際のデータに適用した場合、因果推論を誤解させる結果となる。我々は、真の因果信号を増幅するパワー-法則スペクトル特徴の抽出に基づいて、ロバストなCD法を構築する。
参考スコア（独自算出の注目度）: 4.070469857434042
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Exploring causal relationships in stochastic time series is a challenging yet crucial task with a vast range of applications, including finance, economics, neuroscience, and climate science. Many algorithms for Causal Discovery (CD) have been proposed, but they often exhibit a high sensitivity to noise, resulting in misleading causal inferences when applied to real data. In this paper, we observe that the frequency spectra of typical real-world time series follow a power-law distribution, notably due to an inherent self-organizing behavior. Leveraging this insight, we build a robust CD method based on the extraction of power -law spectral features that amplify genuine causal signals. Our method consistently outperforms state-of-the-art alternatives on both synthetic benchmarks and real-world datasets with known causal structures, demonstrating its robustness and practical relevance.
Abstract（参考訳）: 確率的時系列における因果関係の探索は、金融、経済学、神経科学、気候科学など、幅広い応用において難しいが重要な課題である。因果探索(CD)のための多くのアルゴリズムが提案されているが、ノイズに対する高い感度を示すことが多く、実際のデータに適用した場合に因果推論が誤解を招く。本稿では、典型的な実世界の時系列の周波数スペクトルが、特に固有の自己組織的行動のために、ゆるい分布に従うことを観察する。この知見を活用することで、真の因果信号を増幅するパワー-法則スペクトル特徴の抽出に基づくロバストCD法を構築する。提案手法は,既存の因果構造を持つ合成ベンチマークと実世界のデータセットの双方において,その堅牢性と実用的妥当性を実証し,最先端の代替手段を一貫して上回っている。

関連論文リスト

Causal Discovery in Multivariate Time Series through Mutual Information Featurization [0.1657441317977376]
時間的因果関係(TD2C)は、情報理論と統計的記述の豊富なセットから複雑な因果的シグネチャを認識することを学ぶ。以上の結果から,TD2Cは最先端の性能を達成し,確立された手法を一貫して上回ることを示す。
論文参考訳（メタデータ） (2025-08-03T17:03:13Z)
ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
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。
論文参考訳（メタデータ） (2025-07-04T05:39:50Z)
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)
Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文参考訳（メタデータ） (2025-06-10T18:40:20Z)
Identifying Nonstationary Causal Structures with High-Order Markov Switching Models [32.86541172199634]
時系列における因果発見は急速に発展し、気候科学や神経科学など様々な分野に応用されている。この研究では、状態依存因果構造を通して非定常性に対処する。
論文参考訳（メタデータ） (2024-06-25T16:38:27Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文参考訳（メタデータ） (2024-04-01T20:33:29Z)
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)
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)
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。