論文の概要: TranCIT: Transient Causal Interaction Toolbox

• arxiv url: http://arxiv.org/abs/2509.00602v1
• Date: Sat, 30 Aug 2025 20:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.300403
• Title: TranCIT: Transient Causal Interaction Toolbox
• Title（参考訳）: TranCIT: 過渡的な因果インタラクションツールボックス
• Authors: Salar Nouri, Kaidi Shao, Shervin Safavi,
• Abstract要約: 非定常神経信号からの過渡因果関係の定量化は神経科学における根本的な課題である。 このギャップを埋めるために設計されたオープンソースPythonパッケージであるtrancitを紹介します。 TranCITは、Granger Causality、Transfer Entropy、そしてより堅牢な構造因果モデルに基づく動的因果強度(DCS)と相対的動的因果強度(rDCS)を含む包括的な分析パイプラインを実装している。 我々は,従来の手法が失敗する高同期方式における因果関係の把握に成功し,TranCITの有用性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying transient causal interactions from non-stationary neural signals is a fundamental challenge in neuroscience. Traditional methods are often inadequate for brief neural events, and advanced, event-specific techniques have lacked accessible implementations within the Python ecosystem. Here, we introduce trancit (Transient Causal Interaction Toolbox), an open-source Python package designed to bridge this gap. TranCIT implements a comprehensive analysis pipeline, including Granger Causality, Transfer Entropy, and the more robust Structural Causal Model-based Dynamic Causal Strength (DCS) and relative Dynamic Causal Strength (rDCS) for accurately detecting event-driven causal effects. We demonstrate TranCIT's utility by successfully capturing causality in high-synchrony regimes where traditional methods fail and by identifying the known transient information flow from hippocampal CA3 to CA1 during sharp-wave ripple events in real-world data. The package offers a user-friendly, validated solution for investigating the transient causal dynamics that govern complex systems.
• Abstract（参考訳）: 非定常神経信号からの過渡因果関係の定量化は神経科学における根本的な課題である。 従来のメソッドは、短時間のニューラルイベントには適さないことが多く、先進的なイベント固有のテクニックでは、Pythonエコシステム内でアクセス可能な実装が欠如している。 ここでは、このギャップを埋めるために設計されたオープンソースのPythonパッケージであるtrancit(Transient Causal Interaction Toolbox)を紹介します。 TranCITは、Granger Causality、Transfer Entropy、そしてより堅牢な構造的なCausal ModelベースのDynamic Causal Strength (DCS)と、イベント駆動因果効果を正確に検出するためのReative Dynamic Causal Strength (rDCS)を含む包括的な分析パイプラインを実装している。 本稿では,海馬CA3からCA1への過渡的な情報フローを実世界データに記録した際,従来の手法が失敗した場合の因果関係の把握に成功し,海馬CA3からCA1への過渡的な情報フローを同定することにより,TranCITの有用性を実証する。 このパッケージは、複雑なシステムを管理する一過性の因果ダイナミクスを調査するための、ユーザフレンドリで検証済みのソリューションを提供する。

関連論文リスト

• ProRCA: A Causal Python Package for Actionable Root Cause Analysis in Real-world Business Scenarios [2.034531141644187]
  本稿では,DoWhy因果推論ライブラリ上に構築した経路追跡パッケージについて述べる。 提案手法は,条件付き異常スコア,ノイズに基づく属性,深さ優先経路探索を統合し,マルチホップ因果連鎖を明らかにする。
  論文  参考訳（メタデータ） (2025-03-03T12:33:17Z)
• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Large-Scale Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 ローカル推論戦略を用いることで、我々のアプローチは変数数に線形な複雑さを伴ってスケールし、数千の変数に効率的にスケールアップする。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
  本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-10T04:20:36Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Domain Knowledge Empowered Structured Neural Net for End-to-End Event Temporal Relation Extraction [44.95973272921582]
  本稿では,確率的ドメイン知識によって構築された分布制約を持つディープニューラルネットワークを強化するフレームワークを提案する。 ラグランジアン緩和(Lagrangian Relaxation)により制約付き推論問題を解き、終端事象の時間的関係抽出タスクに適用する。
  論文  参考訳（メタデータ） (2020-09-15T22:20:27Z)

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。