論文の概要: Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
- arxiv url: http://arxiv.org/abs/2508.11727v1
- Date: Fri, 15 Aug 2025 09:03:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.341156
- Title: Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
- Title（参考訳）: 複雑潜在共生ネットワークを用いたホークスプロセスにおける因果構造学習
- Authors: Songyao Jin, Biwei Huang,
- Abstract要約: 連続時間事象列は時間間隔が縮むにつれて離散時間モデルで表現できることを示す。
本稿では,検出したサブプロセス間の因果関係の推論と,新しい潜在サブプロセスの発見を交互に行う2相反復アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 9.416064439922001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate Hawkes process provides a powerful framework for modeling temporal dependencies and event-driven interactions in complex systems. While existing methods primarily focus on uncovering causal structures among observed subprocesses, real-world systems are often only partially observed, with latent subprocesses posing significant challenges. In this paper, we show that continuous-time event sequences can be represented by a discrete-time model as the time interval shrinks, and we leverage this insight to establish necessary and sufficient conditions for identifying latent subprocesses and the causal influences. Accordingly, we propose a two-phase iterative algorithm that alternates between inferring causal relationships among discovered subprocesses and uncovering new latent subprocesses, guided by path-based conditions that guarantee identifiability. Experiments on both synthetic and real-world datasets show that our method effectively recovers causal structures despite the presence of latent subprocesses.
- Abstract（参考訳）: 多変量ホークスプロセスは、複雑なシステムにおける時間的依存関係とイベント駆動インタラクションをモデリングするための強力なフレームワークを提供する。
既存の手法は主に観察されたサブプロセスの因果構造を明らかにすることに重点を置いているが、現実のシステムは部分的にのみ観察されることが多く、潜在サブプロセスには重大な課題が生じる。
本稿では、時間間隔が縮むにつれて、連続時間イベントシーケンスを離散時間モデルで表現できることを示し、この知見を利用して、潜時サブプロセスと因果的影響を識別するための必要かつ十分な条件を確立する。
そこで本研究では,検出したサブプロセス間の因果関係の推論と,識別可能性を保証するパスベース条件によって導かれる新たな潜在サブプロセスの発見を交互に行う2相反復アルゴリズムを提案する。
人工と実世界の両方のデータセットを用いた実験により,潜在サブプロセスが存在するにもかかわらず,本手法は因果構造を効果的に復元することを示した。
関連論文リスト
- Neural Spatiotemporal Point Processes: Trends and Challenges [4.770461921490678]
時空間プロセス(STPP)は、連続した空間と時間で発生する事象の確率論的モデルである。
本稿では、既存のアプローチを分類し、重要な選択を統一し、このデータモダリティを扱う上での課題を説明する。
論文 参考訳（メタデータ） (2025-02-13T14:01:15Z) - Causal Temporal Representation Learning with Nonstationary Sparse Transition [22.6420431022419]
Causal Temporal Representation Learning (Ctrl) 法は、複雑な非定常時間列の時間的因果ダイナミクスを特定することを目的としている。
この研究は、人間の直感的な理解と整合したスパース遷移の仮定を採用し、理論的な観点から識別可能性の結果を提示している。
本稿では,非定常スパース遷移を用いた因果時間表現学習(CtrlNS)を提案する。
論文 参考訳（メタデータ） (2024-09-05T00:38:27Z) - 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) - Object-Centric Conformance Alignments with Synchronization (Extended Version) [57.76661079749309]
対象中心のペトリネットが一対多の関係を捉える能力と,その同一性に基づいたオブジェクトの比較と同期を行う識別子を持つペトリネットの能力を組み合わせた,新たな形式主義を提案する。
我々は、満足度変調理論(SMT)の符号化に基づく、そのようなネットに対する適合性チェック手法を提案する。
論文 参考訳（メタデータ） (2023-12-13T21:53:32Z) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:15:00Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - Structure learning for CTBN's via penalized maximum likelihood methods [2.997206383342421]
我々は,より困難な課題である構造学習問題について検討し,その課題に関する既存の研究は限られている。
我々のアルゴリズムは、穏やかな規則性条件下で、高い確率でグラフの依存構造を認識することを証明している。
論文 参考訳（メタデータ） (2020-06-13T14:28:19Z)
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。