論文の概要: InvarGC: Invariant Granger Causality for Heterogeneous Interventional Time Series under Latent Confounding

• arxiv url: http://arxiv.org/abs/2510.19138v1
• Date: Wed, 22 Oct 2025 00:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.82997
• Title: InvarGC: Invariant Granger Causality for Heterogeneous Interventional Time Series under Latent Confounding
• Title（参考訳）: InvarGC: 潜伏条件下での不均一なインターベンショナル時系列に対する不変グレンジャー因果関係
• Authors: Ziyi Zhang, Shaogang Ren, Xiaoning Qian, Nick Duffield,
• Abstract要約: 従来のグランガー因果関係検査は、穏やかな非線形因果関係の検出に失敗することが多い。 Invariant Granger Causality (InvarGC) を提案する。 合成と実世界の両方のデータセットに対する大規模な実験は、我々のアプローチの競争力を示す。
• 参考スコア（独自算出の注目度）: 24.90938525253422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Granger causality is widely used for causal structure discovery in complex systems from multivariate time series data. Traditional Granger causality tests based on linear models often fail to detect even mild non-linear causal relationships. Therefore, numerous recent studies have investigated non-linear Granger causality methods, achieving improved performance. However, these methods often rely on two key assumptions: causal sufficiency and known interventional targets. Causal sufficiency assumes the absence of latent confounders, yet their presence can introduce spurious correlations. Moreover, real-world time series data usually come from heterogeneous environments, without prior knowledge of interventions. Therefore, in practice, it is difficult to distinguish intervened environments from non-intervened ones, and even harder to identify which variables or timesteps are affected. To address these challenges, we propose Invariant Granger Causality (InvarGC), which leverages cross-environment heterogeneity to mitigate the effects of latent confounding and to distinguish intervened from non-intervened environments with edge-level granularity, thereby recovering invariant causal relations. In addition, we establish the identifiability under these conditions. Extensive experiments on both synthetic and real-world datasets demonstrate the competitive performance of our approach compared to state-of-the-art methods.
• Abstract（参考訳）: グランガー因果関係は多変量時系列データから複雑な系における因果構造発見に広く用いられている。 線形モデルに基づく従来のグランガー因果関係テストは、穏やかな非線形因果関係の検出に失敗することが多い。 そのため、近年では非線形なグランガー因果関係を解析し、性能の向上を実現している。 しかし、これらの手法は因果的満足度と既知の介入目標という2つの重要な仮定に依存していることが多い。 Causal sufficiencyは、潜伏した共同創設者がいないと仮定するが、彼らの存在は、素早い相関をもたらす可能性がある。 さらに、実世界の時系列データは、介入の事前の知識なしに、通常異種環境から得られる。 したがって、実際には、インターベンション環境と非インターベンション環境を区別することは困難であり、どの変数やタイムステップが影響を受けるかを特定することはさらに困難である。 これらの課題に対処するため, 異種粒子因果性(InvarGC)を提案する。これは, 異種環境の不均一性を利用して, 潜水による影響を緩和し, エッジレベルの粒度を持つ非連成環境との相互作用を識別し, 不変因果関係を回復する。 さらに,これらの条件下での識別可能性を確立する。 合成と実世界の両方のデータセットに対する大規模な実験は、最先端の手法と比較して、我々のアプローチの競争性能を実証している。

関連論文リスト

• Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data [21.697069894721448]
  本研究では,Granger因果構造を推定し,異種干渉時系列データを活用することによって未知のターゲットを同定する理論的基礎的手法を提案する。 本手法は,介入時系列データからGranger因果構造を学習する上で,いくつかの頑健なベースライン法より優れている。
  論文  参考訳（メタデータ） (2024-06-14T21:36:00Z)
• 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)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• 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)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)

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。