Fugu-MT 論文翻訳(概要): CausationEntropy: Pythonic Optimal Causation Entropy

論文の概要: CausationEntropy: Pythonic Optimal Causation Entropy

arxiv url: http://arxiv.org/abs/2601.13365v1
Date: Mon, 19 Jan 2026 20:01:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:23.044712
Title: CausationEntropy: Pythonic Optimal Causation Entropy
Title（参考訳）: Causation Entropy: Pythonic Optimal Causation Entropy
Authors: Kevin Slote, Jeremie Fish, Erik Bollt,
Abstract要約: CausationEntropyはPythonパッケージで、oCSEといくつかの重要な最適化と方法論拡張を実装している。本稿では、新しい合成データ生成装置、プロットツール、情報理論による因果ネットワーク探索アルゴリズムを含むCausationEntropyのバージョン1.1のリリースを紹介する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Optimal Causation Entropy (oCSE) is a robust causal network modeling technique that reveals causal networks from dynamical systems and coupled oscillators, distinguishing direct from indirect paths. CausationEntropy is a Python package that implements oCSE and several of its significant optimizations and methodological extensions. In this paper, we introduce the version 1.1 release of CausationEntropy, which includes new synthetic data generators, plotting tools, and several advanced information-theoretical causal network discovery algorithms with criteria for estimating Gaussian, k-nearest neighbors (kNN), geometric k-nearest neighbors (geometric-kNN), kernel density (KDE) and Poisson entropic estimators. The package is easy to install from the PyPi software repository, is thoroughly documented, supplemented with extensive code examples, and is modularly structured to support future additions. The entire codebase is released under the MIT license and is available on GitHub and through PyPi Repository. We expect this package to serve as a benchmark tool for causal discovery in complex dynamical systems.
Abstract（参考訳）: 最適因果エントロピー(英: Optimal Causation Entropy、oCSE)は、動的システムと結合振動子からの因果ネットワークを明らかにする頑健な因果ネットワークモデリング手法である。 CausationEntropyはPythonパッケージで、oCSEといくつかの重要な最適化と方法論拡張を実装している。本稿では,新しい合成データ生成器,プロットツール,およびガウス,k-アネレスト近傍(kNN),幾何k-アネレスト近傍(幾何kNN),カーネル密度(KDE),ポアソンエントロピー推定器(Poisson entropic estimators)を推定するための高度な情報理論的因果ネットワーク探索アルゴリズムを含むCausationEntropyのバージョン1.1のリリースを紹介する。パッケージは、PyPiソフトウェアリポジトリから簡単にインストールでき、完全にドキュメント化され、広範なコード例で補完され、将来の追加をサポートするためにモジュール化されている。コードベース全体がMITライセンスでリリースされており、GitHubとPyPi Repository経由で利用できる。このパッケージは複雑な力学系における因果発見のためのベンチマークツールとして機能することを期待している。

関連論文リスト

Robust, Online, and Adaptive Decentralized Gaussian Processes [40.250871864353314]
分散ランダムフーリエ機能ガウシアンプロセス(DRFGP)は、GPを情報フィルタ形式でキャストするオンライン分散アルゴリズムである。 DRFGPを2つの重要な方向に沿って拡張する。第1に、非定型的な観察の影響を下げるロバストフィルタの更新を導入し、第2に、時間変化関数に適応する動的適応機構を組み込むことにより、DRFGPを拡張する。我々は,大規模な地球システムアプリケーションにおいて,その有効性を実証し,その可能性について検討した。
論文参考訳（メタデータ） (2025-09-22T16:49:49Z)
HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions [16.904297509040777]
パラメトリックPDEの幅広いクラスにまたがるゼロショット一般化のために設計された多物理ニューラル演算子であるHyPINOについて述べる。このモデルは、PDEパラメトリゼーションをターゲットとする物理情報ニューラルネットワーク(PINN)にマッピングし、線形楕円型、双曲型、放物型方程式を2次元で扱うことができる。 HyPINOは、PINNによる7つのベンチマーク問題、U-Net、文学、物理インフォームドニューラル演算子(PINO)よりも優れたゼロショット精度を実現している。
論文参考訳（メタデータ） (2025-09-05T13:59:25Z)
PySHRED: A Python package for SHallow REcurrent Decoding for sparse sensing, model reduction and scientific discovery [2.414148894633974]
シャローカレントデコーダ(シャローカレント)は、動的システム観測から高次元の動的システム/時間データをモデル化するためのディープラーニング戦略を提供する。 PySHREDはPythonパッケージで、いくつかの主要な拡張を実装している。本稿では,PySHREDのバージョン1.0について紹介する。このバージョンには,ノイズ,マルチスケール,パラメータ化,高次元,強非線形といった実世界のデータを扱うように設計されたデータプリプロセッサが含まれている。
論文参考訳（メタデータ） (2025-07-28T16:04:14Z)
SpinGlassPEPS.jl: Tensor-network package for Ising-like optimization on quasi-two-dimensional graphs [0.0]
本研究では、Juliaで実装されたソフトウェアパッケージであるSpinGlassPEPS.jlを導入し、一般化ポッツモデルの低エネルギー構成を見つける。 SpinGlassPEPS.jlのモジュラーアーキテクチャは、様々な収縮スキームとハードウェアアクセラレーションをサポートする。
論文参考訳（メタデータ） (2025-02-04T13:40:00Z)
P$^2$C$^2$Net: PDE-Preserved Coarse Correction Network for efficient prediction of spatiotemporal dynamics [38.53011684603394]
我々はPDE保存型粗補正ネットワーク(P$2$C$2$Net)を導入し、小さなデータ構造における粗いメッシュグリッド上のPDE問題を解決する。モデルは,(1)粗い解(すなわちシステム状態)の更新を学習するトレーニング可能なPDEブロックと,(2)一貫した解の修正を行うニューラルネットワークブロックの2つの相乗的モジュールから構成される。
論文参考訳（メタデータ） (2024-10-29T14:45:07Z)
A Python GPU-accelerated solver for the Gross-Pitaevskii equation and applications to many-body cavity QED [36.136619420474766]
TorchGPEはGross-Pitaevskii方程式(GPE)を解くために開発された汎用Pythonパッケージである。この解法は線形ポテンシャルと非線形ポテンシャルのスペクトルにわたって波動関数を統合するように設計されている。
論文参考訳（メタデータ） (2024-04-22T17:58:34Z)
Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-09T03:55:09Z)
An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文参考訳（メタデータ） (2022-01-09T09:31:50Z)
PySINDy: A comprehensive Python package for robust sparse system identification [3.0531601852600834]
PySINDyはPythonパッケージで、データ駆動モデル発見に非線形ダイナミクス(SINDy)アプローチのスパース識別を適用するためのツールを提供する。 PySINDyの今回のメジャーアップデートでは、ノイズや制限されたデータからより一般的な微分方程式を発見できるいくつかの高度な機能を実装している。
論文参考訳（メタデータ） (2021-11-12T19:01:23Z)
Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
論文参考訳（メタデータ） (2020-07-07T15:44:16Z)

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。