論文の概要: Non-negative DAG Learning from Time-Series Data

• arxiv url: http://arxiv.org/abs/2512.07267v1
• Date: Mon, 08 Dec 2025 08:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.77544
• Title: Non-negative DAG Learning from Time-Series Data
• Title（参考訳）: 時系列データを用いた非負のDAG学習
• Authors: Samuel Rey, Gonzalo Mateos,
• Abstract要約: 多変量時系列の下の瞬間的依存関係をキャプチャする有向非巡回グラフ(DAG)を学習する。 コンベックス最適化問題として,時系列データから非負のDAG回復問題をキャストする方法を示す。
• 参考スコア（独自算出の注目度）: 16.95623855006336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work aims to learn the directed acyclic graph (DAG) that captures the instantaneous dependencies underlying a multivariate time series. The observed data follow a linear structural vector autoregressive model (SVARM) with both instantaneous and time-lagged dependencies, where the instantaneous structure is modeled by a DAG to reflect potential causal relationships. While recent continuous relaxation approaches impose acyclicity through smooth constraint functions involving powers of the adjacency matrix, they lead to non-convex optimization problems that are challenging to solve. In contrast, we assume that the underlying DAG has only non-negative edge weights, and leverage this additional structure to impose acyclicity via a convex constraint. This enables us to cast the problem of non-negative DAG recovery from multivariate time-series data as a convex optimization problem in abstract form, which we solve using the method of multipliers. Crucially, the convex formulation guarantees global optimality of the solution. Finally, we assess the performance of the proposed method on synthetic time-series data, where it outperforms existing alternatives.
• Abstract（参考訳）: この研究は、多変量時系列の下の瞬時依存関係をキャプチャする有向非巡回グラフ(DAG)を学習することを目的としている。 観測されたデータは,線形構造ベクトル自己回帰モデル (SVARM) に従い,瞬間的および時間的依存の両方を持ち,その瞬間的構造はDAGによってモデル化され,潜在的な因果関係を反映する。 最近の連続緩和アプローチは、隣接行列の力を含む滑らかな制約関数を通して非巡回性を課すが、それらは解決が難しい非凸最適化問題に繋がる。 対照的に、基礎となるDAGは非負のエッジ重みしか持たないと仮定し、この付加構造を利用して凸制約を通した非巡回性を課す。 これにより、多変量時系列データから非負のDAG回復問題を凸最適化問題として抽象形式にキャストし、乗算器の手法を用いて解くことができる。 重要なことに、凸の定式化は解の大域的最適性を保証する。 最後に,提案手法の合成時系列データに対する性能評価を行い,既存手法よりも優れた性能を示す。

関連論文リスト

• Non-negative Weighted DAG Structure Learning [12.139158398361868]
  本研究は,真DAGを夜間観測から学習する問題に対処する。 本稿では, ar を返すことが保証される手法に基づく DAG 回復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-12T09:41:29Z)
• Kernel-Based Differentiable Learning of Non-Parametric Directed Acyclic Graphical Models [17.52142371968811]
  因果発見は因果モデルを符号化する有向非巡回グラフ (DAG) を学ぶことに相当する。 近年の研究では、因果発見を連続最適化問題として再検討し、探索を回避しようとしている。
  論文  参考訳（メタデータ） (2024-08-20T16:09:40Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Causal Graph Discovery from Self and Mutually Exciting Time Series [10.410454851418548]
  我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。 Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-01-26T16:15:27Z)
• Truncated Matrix Power Iteration for Differentiable DAG Learning [47.69479930501961]
  本稿では,列ベースDAG制約を近似するために,効率的な乱数行列パワーを持つ新しいDAG学習法を提案する。 実験により,DAG学習法は,様々な設定で従来の最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2022-08-30T23:56:12Z)
• Forecasting Sparse Movement Speed of Urban Road Networks with Nonstationary Temporal Matrix Factorization [36.74317653286812]
  非定常時間行列因子化(NoTMF)モデルは、高次元およびスパース運動速度データを低次元潜在空間に投影する。 NoTMFは季節情報を含む一貫した時間ダイナミクスを維持している。 配車車の軌道から推定されるUberの移動速度データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-03-20T21:22:39Z)
• DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
  近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。 本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。 本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
  論文  参考訳（メタデータ） (2021-06-14T07:11:36Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)

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。