論文の概要: Shylock: Causal Discovery in Multivariate Time Series based on Hybrid Constraints

• arxiv url: http://arxiv.org/abs/2510.21181v1
• Date: Fri, 24 Oct 2025 06:12:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.399596
• Title: Shylock: Causal Discovery in Multivariate Time Series based on Hybrid Constraints
• Title（参考訳）: Shylock: ハイブリッド制約に基づく多変量時系列における因果発見
• Authors: Shuo Li, Keqin Xu, Jie Liu, Dan Ye,
• Abstract要約: 因果関係の発見は、その普及により注目を集めている。 既存の手法は、人間の経験、統計的手法、あるいはグラフィカルな基準法に依存している。 Shylockは、数ショットと通常のMSSの両方でうまく機能する新しい手法である。
• 参考スコア（独自算出の注目度）: 14.030001045128856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal relationship discovery has been drawing increasing attention due to its prevalent application. Existing methods rely on human experience, statistical methods, or graphical criteria methods which are error-prone, stuck at the idealized assumption, and rely on a huge amount of data. And there is also a serious data gap in accessing Multivariate time series(MTS) in many areas, adding difficulty in finding their causal relationship. Existing methods are easy to be over-fitting on them. To fill the gap we mentioned above, in this paper, we propose Shylock, a novel method that can work well in both few-shot and normal MTS to find the causal relationship. Shylock can reduce the number of parameters exponentially by using group dilated convolution and a sharing kernel, but still learn a better representation of variables with time delay. By combing the global constraint and the local constraint, Shylock achieves information sharing among networks to help improve the accuracy. To evaluate the performance of Shylock, we also design a data generation method to generate MTS with time delay. We evaluate it on commonly used benchmarks and generated datasets. Extensive experiments show that Shylock outperforms two existing state-of-art methods on both few-shot and normal MTS. We also developed Tcausal, a library for easy use and deployed it on the EarthDataMiner platform
• Abstract（参考訳）: 因果関係の発見は、その普及により注目を集めている。 既存の手法は、人間の経験、統計的手法、あるいはグラフィカルな基準法に依存しており、エラーを起こしやすく、理想的な仮定に固執し、膨大な量のデータに依存している。 また,多変量時系列(MTS)へのアクセスには深刻なデータギャップがあり,因果関係の発見が困難である。 既存のメソッドは、それらを過度に適合させるのが簡単です。 上述したギャップを埋めるために、本論文では、因果関係を見つけるために、少数のショットと通常のMSSの両方でうまく機能する新しい方法であるShylockを提案する。 Shylockは、グループ拡張畳み込みと共有カーネルを使用することで、指数関数的にパラメータの数を減らすことができるが、それでも時間遅延を伴う変数のより良い表現を学ぶことができる。 グローバルな制約とローカルな制約を組み合わせることで、Shylockはネットワーク間での情報共有を実現し、精度を向上させる。 また,Shylockの性能を評価するために,MTSを時間遅延で生成するデータ生成手法を設計する。 一般的なベンチマークと生成されたデータセットで評価する。 大規模な実験により、Shylockは、いくつかのショットと通常のTSにおいて、既存の最先端の2つの手法より優れていることが示された。 また、簡単に使えるライブラリであるTcausalを開発し、EarthDataMinerプラットフォームにデプロイしました。

関連論文リスト

• Temporal Gaussian Copula For Clinical Multivariate Time Series Data Imputation [13.771292428542438]
  時間的ガウスコプラモデル (TGC) を3次MTS計算のために提案する。 我々は、データ管理におけるロバスト性を改善するために、期待最大化(EM)アルゴリズムを用いる。 我々のTGCモデルでは,テストデータセットの欠落率に強いロバスト性を示す。
  論文  参考訳（メタデータ） (2025-04-03T06:44:05Z)
• Smoothing the Shift: Towards Stable Test-Time Adaptation under Complex Multimodal Noises [3.7816957214446103]
  Test-Time Adaptation (TTA) は、未ラベルのテストデータを使用して、ソースデータにアクセスせずに分散シフトに取り組むことを目的としている。 既存のTTAメソッドは、突発的な分布シフトがソースモデルからの以前の知識を破壊するため、このようなマルチモーダルシナリオで失敗する。 そこで我々は,2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T13:36:16Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• GRACE-C: Generalized Rate Agnostic Causal Estimation via Constraints [3.2374399328078285]
  時系列データから因果学習アルゴリズムによって推定される図形構造は、生成プロセスの因果時間スケールがデータの測定時間スケールと一致しない場合、誤解を招く因果情報を提供することができる。 既存のアルゴリズムは、この課題に対応するための限られたリソースを提供するため、研究者は彼らが知っているモデルを使うか、あるいは完全に因果学習を行う必要がある。 既存の方法は、(1)因果差と測定値の違いが知られていること、(2)時間スケールの違いが不明な場合にのみ非常に少数のランダム変数を扱うこと、(3)変数のペアにのみ適用されること、4)変数のペアにしか適用できないこと、など、四つの異なる欠点に直面している。
  論文  参考訳（メタデータ） (2022-05-18T22:38:57Z)
• SAITS: Self-Attention-based Imputation for Time Series [6.321652307514677]
  SAITSは時系列における値計算の欠落に対する自己注意機構に基づく新しい手法である。 斜めにマスキングされた2つの自己注意ブロックの重み付けされた組み合わせから、欠落した値を学ぶ。 テストの結果、SAITSは時系列計算タスクにおける最先端の手法を効率よく上回ることが示された。
  論文  参考訳（メタデータ） (2022-02-17T08:40:42Z)
• Mutual-Information Based Few-Shot Classification [34.95314059362982]
  数ショット学習のためのTIM(Transductive Infomation Maximization)を提案する。 提案手法は,与えられた数発のタスクに対して,クエリ特徴とラベル予測との相互情報を最大化する。 そこで我々は,勾配に基づく最適化よりもトランスダクティブ推論を高速化する交代方向解法を提案する。
  論文  参考訳（メタデータ） (2021-06-23T09:17:23Z)
• MetaKernel: Learning Variational Random Features with Limited Labels [120.90737681252594]
  少数の注釈付きサンプルから学習し、新しいタスクでうまく一般化できるという根本的かつ困難な問題に、少数のショットラーニングが対処します。 マルチショット学習のためのランダムなフーリエ機能を備えたメタラーニングカーネルをMeta Kernelと呼びます。
  論文  参考訳（メタデータ） (2021-05-08T21:24:09Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)

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。