論文の概要: Causal feature selection framework for stable soft sensor modeling based on time-delayed cross mapping

• arxiv url: http://arxiv.org/abs/2601.14099v1
• Date: Tue, 20 Jan 2026 15:58:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.397246
• Title: Causal feature selection framework for stable soft sensor modeling based on time-delayed cross mapping
• Title（参考訳）: 時間遅延クロスマッピングに基づく安定したソフトセンサモデリングのための因果的特徴選択フレームワーク
• Authors: Shi-Shun Chen, Xiao-Yang Li, Enrico Zio,
• Abstract要約: 因果的特徴選択は、産業応用におけるソフトセンサーモデルの性能を向上させることができる。 本稿では,時間遅れのクロスマッピングに基づく因果的特徴選択フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.141412943138107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soft sensor modeling plays a crucial role in process monitoring. Causal feature selection can enhance the performance of soft sensor models in industrial applications. However, existing methods ignore two critical characteristics of industrial processes. Firstly, causal relationships between variables always involve time delays, whereas most causal feature selection methods investigate causal relationships in the same time dimension. Secondly, variables in industrial processes are often interdependent, which contradicts the decorrelation assumption of traditional causal inference methods. Consequently, soft sensor models based on existing causal feature selection approaches often lack sufficient accuracy and stability. To overcome these challenges, this paper proposes a causal feature selection framework based on time-delayed cross mapping. Time-delayed cross mapping employs state space reconstruction to effectively handle interdependent variables in causality analysis, and considers varying causal strength across time delay. Time-delayed convergent cross mapping (TDCCM) is introduced for total causal inference, and time-delayed partial cross mapping (TDPCM) is developed for direct causal inference. Then, in order to achieve automatic feature selection, an objective feature selection strategy is presented. The causal threshold is automatically determined based on the model performance on the validation set, and the causal features are then selected. Two real-world case studies show that TDCCM achieves the highest average performance, while TDPCM improves soft sensor stability and performance in the worst scenario. The code is publicly available at https://github.com/dirge1/TDPCM.
• Abstract（参考訳）: ソフトセンサーモデリングはプロセス監視において重要な役割を果たす。 因果的特徴選択は、産業応用におけるソフトセンサーモデルの性能を向上させることができる。 しかし、既存の手法は産業プロセスの2つの重要な特徴を無視している。 第一に、変数間の因果関係は、常に時間遅延を伴うが、ほとんどの因果的特徴選択法は、同じ時間次元における因果関係を調査する。 第二に、産業プロセスの変数はしばしば相互依存しており、従来の因果推論手法のデコリレーション仮定とは矛盾する。 その結果、既存の因果的特徴選択アプローチに基づくソフトセンサモデルは、十分な精度と安定性を欠くことが多い。 これらの課題を克服するために,時間遅れのクロスマッピングに基づく因果的特徴選択フレームワークを提案する。 時間遅れのクロスマッピングは、因果解析において相互依存変数を効果的に扱うために状態空間再構成を採用し、時間遅延を通して様々な因果強度を考慮する。 総因果推論には時間遅延収束クロスマッピング(TDCCM)を導入し,直接因果推論には時間遅延部分クロスマッピング(TDPCM)を開発した。 そして、自動的特徴選択を実現するために、目的的特徴選択戦略を示す。 検証セットのモデル性能に基づいて因果閾値が自動的に決定され、その因果特徴が選択される。 2つの実世界のケーススタディは、TDCCMが最高平均性能を達成するのに対し、TDPCMは最悪のシナリオでソフトセンサーの安定性と性能を改善することを示している。 コードはhttps://github.com/dirge1/TDPCMで公開されている。

関連論文リスト

• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Selecting Robust Features for Machine Learning Applications using Multidata Causal Discovery [7.8814500102882805]
  時系列データセットのアンサンブルを同時に処理するマルチデータ因果的特徴選択手法を提案する。 このアプローチでは、Tigramite Pythonパッケージに実装されているPC1またはPCMCIの因果発見アルゴリズムを使用する。 この枠組みを西太平洋熱帯サイクロンの統計的強度予測に適用する。
  論文  参考訳（メタデータ） (2023-04-11T15:43:34Z)

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。