論文の概要: Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies

• arxiv url: http://arxiv.org/abs/2508.00658v1
• Date: Fri, 01 Aug 2025 14:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.909539
• Title: Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies
• Title（参考訳）: マルチバンド可変ラグ・グランガー因果関係:周波数間の因果時系列推論のための統一フレームワーク
• Authors: Chakattrai Sookkongwaree, Tattep Lakmuang, Chainarong Amornbunchornvej,
• Abstract要約: 我々は,MB-VLGC (Multi-Band Variable-Lag Granger Causality) を定式化し,時系列の因果関係を推定するための新しい枠組みを提案する。 MB-VLGCの形式的定義を提供し、その理論的健全性を実証し、効率的な推論パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding causal relationships in time series is fundamental to many domains, including neuroscience, economics, and behavioral science. Granger causality is one of the well-known techniques for inferring causality in time series. Typically, Granger causality frameworks have a strong fix-lag assumption between cause and effect, which is often unrealistic in complex systems. While recent work on variable-lag Granger causality (VLGC) addresses this limitation by allowing a cause to influence an effect with different time lags at each time point, it fails to account for the fact that causal interactions may vary not only in time delay but also across frequency bands. For example, in brain signals, alpha-band activity may influence another region with a shorter delay than slower delta-band oscillations. In this work, we formalize Multi-Band Variable-Lag Granger Causality (MB-VLGC) and propose a novel framework that generalizes traditional VLGC by explicitly modeling frequency-dependent causal delays. We provide a formal definition of MB-VLGC, demonstrate its theoretical soundness, and propose an efficient inference pipeline. Extensive experiments across multiple domains demonstrate that our framework significantly outperforms existing methods on both synthetic and real-world datasets, confirming its broad applicability to any type of time series data. Code and datasets are publicly available.
• Abstract（参考訳）: 時系列における因果関係を理解することは、神経科学、経済学、行動科学を含む多くの領域において基礎となる。 グランガー因果関係(Granger causality)は、時系列における因果関係を推定するためのよく知られた手法の1つである。 典型的には、グランガー因果関係のフレームワークは原因と効果の間に強い固定ラグの仮定を持ち、複雑なシステムではしばしば非現実的である。 可変遅延グランガー因果性(VLGC)に関する最近の研究は、各時点における異なる時間ラグの影響を原因として、この制限に対処しているが、因果相互作用が時間遅延だけでなく周波数帯域にわたって異なるという事実を考慮できない。 例えば、脳信号では、アルファバンドの活性はデルタバンドの発振よりも遅い遅延で他の領域に影響を与える可能性がある。 本稿では,MB-VLGC(Multi-Band-Lag Granger Causality)を定式化し,周波数依存因果遅延を明示的にモデル化して従来のVLGCを一般化するフレームワークを提案する。 MB-VLGCの形式的定義を提供し、その理論的健全性を実証し、効率的な推論パイプラインを提案する。 複数の領域にわたる大規模な実験により、我々のフレームワークは、合成データと実世界のデータセットの両方において既存の手法を著しく上回り、あらゆる時系列データに適用可能であることを確認した。 コードとデータセットが公開されている。

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)
• Granger Causality in Extremes [0.0]
  時系列における極端な事象から因果関係を特定するための厳密な枠組みを導入する。 本フレームワークは, 因果尾係数を利用して, 主に極端な事象から因果関係を推定するように設計されている。 また,データから極端にグランガー因果性が存在することを検出する新しい推論手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T18:41:07Z)
• Deep Learning-based Group Causal Inference in Multivariate Time-series [8.073449277052495]
  多変量時空の非線形系における因果推論は、変数間の関係の複雑な網を遠ざけるのに役立っている。 本研究では,学習した深層ネットワークに対するグループレベルの介入によるモデルの不変性を検証し,変数群の因果方向を推定する。
  論文  参考訳（メタデータ） (2024-01-16T14:19:28Z)
• 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)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• 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)
• Inductive Granger Causal Modeling for Multivariate Time Series [49.29373497269468]
  Inductive GRanger cAusal Modeling (InGRA) framework for inductive Granger causality learning and common causal structure detection。 特に,Granger causal attentionと呼ばれる新しい注意機構を通じて,異なるGranger causal Structureを持つ個人に対して,グローバルモデル1つを訓練する。 このモデルは、異なる個体の共通因果構造を検出し、新しく到着した個体のグランガー因果構造を推定することができる。
  論文  参考訳（メタデータ） (2021-02-10T07:48:00Z)
• Interpretable Models for Granger Causality Using Self-explaining Neural Networks [4.56877715768796]
  本論文では,自己記述型ニューラルネットワークの拡張に基づく非線形ダイナミクス下でのGranger因果関係を推定するための新しいフレームワークを提案する。 このフレームワークは、Granger因果関係を推測する他のニューラルネットワークベースのテクニックよりも解釈可能である。
  論文  参考訳（メタデータ） (2021-01-19T12:59:00Z)
• Dynamic Window-level Granger Causality of Multi-channel Time Series [28.302491046127443]
  マルチチャネル時系列データに対する動的ウィンドウレベルグランガー因果関係法(DWGC)を提案する。 本稿では,DWGC法における因果索引付け手法を提案する。
  論文  参考訳（メタデータ） (2020-06-14T03:53:42Z)
• Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis [7.627597166844701]
  固定時間遅延の仮定を緩和する可変ラグ・グランガー因果関係と可変ラグ・トランスファー・エントロピーを開発する。 提案手法では,動的時間ワープ(DTW)の最適ワープパスを用いて,変動ラグ因果関係を推定する。 我々の手法は時系列解析のあらゆる領域に適用できる。
  論文  参考訳（メタデータ） (2020-02-01T14:03:01Z)

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。