論文の概要: KarmaTS: A Universal Simulation Platform for Multivariate Time Series with Functional Causal Dynamics

• arxiv url: http://arxiv.org/abs/2511.11357v1
• Date: Fri, 14 Nov 2025 14:44:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.657062
• Title: KarmaTS: A Universal Simulation Platform for Multivariate Time Series with Functional Causal Dynamics
• Title（参考訳）: KarmaTS: 機能的因果ダイナミクスを備えた多変量時系列シミュレーションプラットフォーム
• Authors: Haixin Li, Yanke Li, Diego Paez-Granados,
• Abstract要約: KarmaTSはグラフィカル時系列(MTS)シミュレーションのための実行可能な因果モデルを構築するためのインタラクティブフレームワークである。 アクセス制限された生理データの挑戦によって、KarmaTSは既知の因果ダイナミクスを持つ合成MSSを生成する。
• 参考スコア（独自算出の注目度）: 2.5657042494080033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce KarmaTS, an interactive framework for constructing lag-indexed, executable spatiotemporal causal graphical models for multivariate time series (MTS) simulation. Motivated by the challenge of access-restricted physiological data, KarmaTS generates synthetic MTS with known causal dynamics and augments real-world datasets with expert knowledge. The system constructs a discrete-time structural causal process (DSCP) by combining expert knowledge and algorithmic proposals in a mixed-initiative, human-in-the-loop workflow. The resulting DSCP supports simulation and causal interventions, including those under user-specified distribution shifts. KarmaTS handles mixed variable types, contemporaneous and lagged edges, and modular edge functionals ranging from parameterizable templates to neural network models. Together, these features enable flexible validation and benchmarking of causal discovery algorithms through expert-informed simulation.
• Abstract（参考訳）: 我々は多変量時系列(MTS)シミュレーションのためのラグインデックス付き時空間因果グラフモデルを構築するための対話的フレームワークであるKarmaTSを紹介する。 アクセス制限された生理データによって動機づけられたKarmaTSは、既知の因果ダイナミクスを持つ合成MSSを生成し、専門家の知識で現実世界のデータセットを増強する。 このシステムは、専門家の知識とアルゴリズムの提案を組み合わせることで、離散時間構造因果プロセス(DSCP)を構築する。 DSCPはシミュレーションと因果的介入をサポートしており、その中にはユーザが指定した分散シフトがある。 KarmaTSは、パラメータ化可能なテンプレートからニューラルネットワークモデルまで、さまざまな変数タイプ、同種のエッジとラッチのエッジ、モジュール型のエッジ機能を扱う。 これらの機能は、エキスパートインフォームド・シミュレーションを通じて、因果発見アルゴリズムの柔軟な検証とベンチマークを可能にする。

関連論文リスト

• Revisit Mixture Models for Multi-Agent Simulation: Experimental Study within a Unified Framework [19.558523263211942]
  マルチエージェントシミュレーションでは、行動多様性や閉ループ分布シフトが主な課題である。 本研究では,マルチモーダルエージェントの挙動を生成するための混合モデルを再検討し,本研究の主流となる手法について述べる。 本研究では,混合モデルに適したクローズドループサンプル生成手法を導入し,分散シフトを緩和する。
  論文  参考訳（メタデータ） (2025-01-28T15:26:25Z)
• Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning [2.368662284133926]
  提案したハイブリッドアーキテクチャは、ドメイン固有の知識とMSSデータに基づく関係構造の暗黙的な知識を組み合わせることで制限に対処する。 このアーキテクチャは、複数のベンチマークデータセットで有望な結果を示し、最先端の予測方法よりも優れています。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Conditionally Parameterized, Discretization-Aware Neural Networks for Mesh-Based Modeling of Physical Systems [0.0]
  入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。 条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。 CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
  論文  参考訳（メタデータ） (2021-09-15T20:21:13Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Multipath-based SLAM using Belief Propagation with Interacting Multiple Dynamic Models [8.048412266667176]
  本稿では,複数モデル (IMM) パラメータを連続的に適用し,移動エージェントの状態ダイナミクスを記述したマルチパス型同時局所化マッピング(SLAM)アルゴリズムを提案する。 数値シミュレーションの結果,提案されたマルチパス型SLAMアルゴリズムが強く変化するエージェント状態のダイナミクスに対処できることが示された。
  論文  参考訳（メタデータ） (2021-03-23T19:34:16Z)
• Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
  本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
  論文  参考訳（メタデータ） (2020-01-13T03:45:21Z)

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。