論文の概要: DAG: A Dual Causal Network for Time Series Forecasting with Exogenous Variables

• arxiv url: http://arxiv.org/abs/2509.14933v1
• Date: Thu, 18 Sep 2025 13:14:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.231513
• Title: DAG: A Dual Causal Network for Time Series Forecasting with Exogenous Variables
• Title（参考訳）: DAG:外因性変数を用いた時系列予測のための二重因果ネットワーク
• Authors: Xiangfei Qiu, Yuhan Zhu, Zhengyu Li, Hanyin Cheng, Xingjian Wu, Chenjuan Guo, Bin Yang, Jilin Hu,
• Abstract要約: 時系列予測は、経済学、トラフィック、AIOpsなど、さまざまな分野において重要である。 本稿では,2つの因果ネットワークを時間次元とチャネル次元の両方に沿って利用する汎用フレームワークDAGを提案する。
• 参考スコア（独自算出の注目度）: 22.442282901647783
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series forecasting is crucial in various fields such as economics, traffic, and AIOps. However, in real-world applications, focusing solely on the endogenous variables (i.e., target variables), is often insufficient to ensure accurate predictions. Considering exogenous variables (i.e., covariates) provides additional predictive information, thereby improving forecasting accuracy. However, existing methods for time series forecasting with exogenous variables (TSF-X) have the following shortcomings: 1) they do not leverage future exogenous variables, 2) they fail to account for the causal relationships between endogenous and exogenous variables. As a result, their performance is suboptimal. In this study, to better leverage exogenous variables, especially future exogenous variable, we propose a general framework DAG, which utilizes dual causal network along both the temporal and channel dimensions for time series forecasting with exogenous variables. Specifically, we first introduce the Temporal Causal Module, which includes a causal discovery module to capture how historical exogenous variables affect future exogenous variables. Following this, we construct a causal injection module that incorporates the discovered causal relationships into the process of forecasting future endogenous variables based on historical endogenous variables. Next, we propose the Channel Causal Module, which follows a similar design principle. It features a causal discovery module models how historical exogenous variables influence historical endogenous variables, and a causal injection module incorporates the discovered relationships to enhance the prediction of future endogenous variables based on future exogenous variables.
• Abstract（参考訳）: 時系列予測は、経済学、トラフィック、AIOpsなど、さまざまな分野において重要である。 しかし、現実世界のアプリケーションでは、内在変数(すなわち、対象変数)にのみ焦点をあてるだけでは、正確な予測を保証するには不十分であることが多い。 外因性変数(すなわち共変量)を考えると、追加の予測情報が提供され、予測精度が向上する。 しかし、外因性変数(TSF-X)を用いた時系列予測の既存の手法には、以下の欠点がある。 1) 将来の外因性変数を活用できない。 2) 内因性変数と外因性変数の因果関係は説明できない。 結果として、彼らのパフォーマンスは最適以下である。 本研究では,外因性変数,特に将来の外因性変数をよりよく活用するために,時間的およびチャネル的次元の両因性ネットワークを利用して,外因性変数を用いた時系列予測を行う汎用フレームワークDAGを提案する。 具体的には、まず時間的因果モジュールを導入し、因果探索モジュールを組み、歴史的外因性変数が将来の外因性変数にどのように影響するかをキャプチャする。 次に, 過去の内因性変数に基づいて, 将来の内因性変数を予測するプロセスに因果関係を組み込んだ因果注入モジュールを構築した。 次に,Channel Causal Moduleを提案する。 因果的発見モジュールは、歴史的外因性変数が歴史的内因性変数にどのように影響するかをモデル化し、因果的注入モジュールは、将来の外因性変数に基づく将来の内因性変数の予測を強化するために、発見された関係を組み込む。

関連論文リスト

• Temporal Latent Variable Structural Causal Model for Causal Discovery under External Interferences [53.308122815325326]
  観測データに影響を与える非観測因子を表現するために潜伏変数を導入する。 具体的には、因果強度と隣接情報を捉えるために、時間変動型因果モデルを提案する。 専門家の知識が特定のシナリオにおける未知の干渉に関する情報を提供することができることを考慮し,パラメータ学習への事前知識の導入を容易にする手法を開発した。
  論文  参考訳（メタデータ） (2025-11-13T07:10:10Z)
• Spatio-temporal Multivariate Time Series Forecast with Chosen Variables [12.674708324393995]
  本稿では,予測精度とモデル効率の両面において,変数選択とモデル最適化を共同で行う統一フレームワークを提案する。 5つの実世界のデータセットの実験では、我々の研究は精度と効率の両方で最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-10-28T03:19:06Z)
• 2DXformer: Dual Transformers for Wind Power Forecasting with Dual Exogenous Variables [8.401357727849419]
  深層学習に基づく風力予測手法は,データ間の相関関係の抽出に重点を置いており,予測精度の大幅な向上を実現している。 しかし、時間的関係のモデリングが欠如しており、予測の精度が制限されている。 本稿では,風の時間的相関に着目した2DXformerを提案する。
  論文  参考訳（メタデータ） (2025-05-02T14:00:48Z)
• Causal vs. Anticausal merging of predictors [57.26526031579287]
  同じデータを用いて、因果方向と反因果方向の融合予測器から生じる差について検討した。 帰納的バイアスとしてCausal Maximum Entropy (CMAXENT) を用いて予測器をマージする。
  論文  参考訳（メタデータ） (2025-01-14T20:38:15Z)
• ExoTST: Exogenous-Aware Temporal Sequence Transformer for Time Series Prediction [11.511830352094353]
  時系列予測のためのトランスフォーマーベースのフレームワークであるExoTSTを提案する。 過去の変数と現在の変数を統合するために、ExoTSTは、新しい時間的相互モダリティ融合モジュールを導入した。 実世界の炭素フラックスデータセットと時系列ベンチマークの実験は、ExoTSTの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-16T03:04:37Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• Causal Representation Learning from Multiple Distributions: A General Setting [21.73088044465267]
  本稿では,複数の分布からの因果表現学習の一般的,完全に非パラメトリックな設定について述べる。 因果的影響に対する適切な変化条件と、潜伏変数上のグラフの空間的制約の下で、基礎となる有向非巡回グラフのモラル化グラフを復元できることが示される。 場合によっては、ほとんどの潜伏変数はコンポーネントワイド変換まで回収できる。
  論文  参考訳（メタデータ） (2024-02-07T17:51:38Z)
• 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)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)
• An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
  最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。 最適化からの収束率を用いた原因影響SCMの適応速度について検討する。 驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
  論文  参考訳（メタデータ） (2020-05-18T23:48:56Z)

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。