論文の概要: Context-Specific Causal Graph Discovery with Unobserved Contexts: Non-Stationarity, Regimes and Spatio-Temporal Patterns

• arxiv url: http://arxiv.org/abs/2511.21537v1
• Date: Wed, 26 Nov 2025 16:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.187961
• Title: Context-Specific Causal Graph Discovery with Unobserved Contexts: Non-Stationarity, Regimes and Spatio-Temporal Patterns
• Title（参考訳）: 非定常性, 規則性, 時空間パターンを用いたコンテキスト特異的因果グラフ発見
• Authors: Martin Rabel, Jakob Runge,
• Abstract要約: 因果グラフの変化に符号化された情報を,安定性を念頭に検討する。 組み込みのモジュール化により、サブプロブレムの配列全体を体系的に理解し、改善することができる。
• 参考スコア（独自算出の注目度）: 8.121462458089143
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Real-world data, for example in climate applications, often consists of spatially gridded time series data or data with comparable structure. While the underlying system is often believed to behave similar at different points in space and time, those variations that do exist are twofold relevant: They often encode important information in and of themselves. And they may negatively affect the stability / convergence and reliability\Slash{}validity of results of algorithms assuming stationarity or space-translation invariance. We study the information encoded in changes of the causal graph, with stability in mind. An analysis of this general task identifies two core challenges. We develop guiding principles to overcome these challenges, and provide a framework realizing these principles by modifying constraint-based causal discovery approaches on the level of independence testing. This leads to an extremely modular, easily extensible and widely applicable framework. It can leverage existing constraint-based causal discovery methods (demonstrated on IID-algorithms PC, PC-stable, FCI and time series algorithms PCMCI, PCMCI+, LPCMCI) with little to no modification. The built-in modularity allows to systematically understand and improve upon an entire array of subproblems. By design, it can be extended by leveraging insights from change-point-detection, clustering, independence-testing and other well-studied related problems. The division into more accessible sub-problems also simplifies the understanding of fundamental limitations, hyperparameters controlling trade-offs and the statistical interpretation of results. An open-source implementation will be available soon.
• Abstract（参考訳）: 実世界のデータは、例えば気候の応用において、しばしば空間的にグリッド化された時系列データまたは同等の構造を持つデータから構成される。 基礎となるシステムは、空間と時間の異なる点でよく似た振る舞いをすると考えられているが、存在する変異は2つの関連性がある。 また、定常性や空間変換不変性を仮定したアルゴリズムの結果の安定性/収束性および信頼性\Slash{}validityに悪影響を及ぼす可能性がある。 因果グラフの変化に符号化された情報を,安定性を念頭に検討する。 この一般的なタスクの分析は、2つのコア課題を特定する。 我々は、これらの課題を克服するための指針原則を開発し、独立テストのレベルで制約に基づく因果発見アプローチを変更することにより、これらの原則を実現するためのフレームワークを提供する。 これは非常にモジュール化され、容易に拡張可能で、広く適用可能なフレームワークにつながります。 既存の制約に基づく因果探索手法(IID-algorithms PC, PC-stable, FCI, 時系列アルゴリズムPCMCI, PCMCI+, LPCMCI)をほとんど変更することなく利用することができる。 組み込みのモジュール化により、サブプロブレムの配列全体を体系的に理解し、改善することができる。 設計によって、変更点検出、クラスタリング、独立テスト、その他のよく研究された問題からの洞察を活用することで、拡張することができる。 よりアクセスしやすいサブプロブレムへの分割は、基本的な制限の理解、トレードオフを制御するハイパーパラメータ、結果の統計的解釈を単純化する。 間もなくオープンソース実装が利用可能になる予定だ。

関連論文リスト

• Causal Discovery in Multivariate Time Series through Mutual Information Featurization [0.1657441317977376]
  時間的因果関係(TD2C)は、情報理論と統計的記述の豊富なセットから複雑な因果的シグネチャを認識することを学ぶ。 以上の結果から,TD2Cは最先端の性能を達成し,確立された手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-08-03T17:03:13Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• Bootstrap aggregation and confidence measures to improve time series causal discovery [0.0]
  本稿では,時間的依存関係とラグ構造を保存する時系列因果発見のための新しいブートストラップ手法を提案する。 我々は、この手法を、最先端の条件付き独立性に基づくアルゴリズムPCMCI+と組み合わせる。
  論文  参考訳（メタデータ） (2023-06-15T08:37:16Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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)
• Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
  本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
  論文  参考訳（メタデータ） (2021-10-23T19:57:22Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。