論文の概要: Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels

• arxiv url: http://arxiv.org/abs/2601.09579v1
• Date: Wed, 14 Jan 2026 15:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.458045
• Title: Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels
• Title（参考訳）: カーネルによる制約およびスコアに基づく非線形グランガー因果発見
• Authors: Fiona Murphy, Alessio Benavoli,
• Abstract要約: カーネルベースの手法は時系列変数間の非線形因果関係を同定するために用いられる。 技術カーネルに基づくGranger Causalityアプローチの2つの状態が理論的に統一可能であることを示す。 また,この統合に基づく手法を導入し,本手法が因果同定を改善することを示す。
• 参考スコア（独自算出の注目度）: 0.17188280334580197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kernel-based methods are used in the context of Granger Causality to enable the identification of nonlinear causal relationships between time series variables. In this paper, we show that two state of the art kernel-based Granger Causality (GC) approaches can be theoretically unified under the framework of Kernel Principal Component Regression (KPCR), and introduce a method based on this unification, demonstrating that this approach can improve causal identification. Additionally, we introduce a Gaussian Process score-based model with Smooth Information Criterion penalisation on the marginal likelihood, and demonstrate improved performance over existing state of the art time-series nonlinear causal discovery methods. Furthermore, we propose a contemporaneous causal identification algorithm, fully based on GC, using the proposed score-based $GP_{SIC}$ method, and compare its performance to a state of the art contemporaneous time series causal discovery algorithm.
• Abstract（参考訳）: カーネルベースの手法は、時系列変数間の非線形因果関係の同定を可能にするために、Granger Causalityの文脈で使用される。 本稿では,カーネル・プリンシパル・コンポーネント・レグレッション(KPCR)の枠組みの下で,2つの最新のカーネル・ベースであるGranger Causality(GC)アプローチを理論的に統一できることを示し,本手法が因果同定を改善することを示す。 さらに,Smooth Information Criterion を用いたガウスプロセススコアベースモデルを導入し,既存の時系列非線形因果発見手法よりも優れた性能を示す。 さらに,GCをベースとした同時因果同定アルゴリズムを提案し,その性能を最先端の同時時系列因果探索アルゴリズムと比較した。

関連論文リスト

• Model-free algorithms for fast node clustering in SBM type graphs and application to social role inference in animals [26.41190755089919]
  ブロックモデル(SBM)から生成されたグラフにおけるノードクラスタリングとパラメータ推論のための新しいモデルフリーアルゴリズム群を提案する。 我々は,提案手法を最先端技術に対してベンチマークし,推定誤差の低い計算時間を著しく高速化した。 行動生態学からの経験的ネットワークデータに適用することで,アルゴリズムの実用的妥当性を検証した。
  論文  参考訳（メタデータ） (2025-09-19T13:57:17Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
  Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。 現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。 本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T07:24:11Z)
• 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)
• BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
  マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。 本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。 我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
  論文  参考訳（メタデータ） (2023-07-26T02:34:13Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Online Time Series Anomaly Detection with State Space Gaussian Processes [12.483273106706623]
  R-ssGPFAは、一様および多変量時系列の教師なしオンライン異常検出モデルである。 高次元時系列に対して、時系列の一般的な潜伏過程を特定するためにガウス過程因子解析の拡張を提案する。 異常観測時にカルマン更新をスキップすることで,モデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2022-01-18T06:43:32Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• The Impact of Isolation Kernel on Agglomerative Hierarchical Clustering Algorithms [12.363083467305787]
  AHC(Agglomerative Hierarchical Clustering)は、一般的なクラスタリング手法の1つである。 距離測定に基づく既存のAHC法では, 密度の異なる隣接クラスタの同定が困難である。 我々は,データ依存カーネル(距離や既存のカーネルではなく)を使用することによって,それに対応する効果的な手段が提供されることを示した。
  論文  参考訳（メタデータ） (2020-10-12T06:18:38Z)

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。