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

• Can Causality Cure Confusion Caused By Correlation (in Software Analytics)? [4.082216579462797]
  シンボリックモデル、特に決定木は、説明可能な分析のためにソフトウェア工学で広く使われている。 ソフトウェア工学における最近の研究は、相関モデルと因果発見アルゴリズムの両方が明らかな不安定性に悩まされていることを示している。 本研究では,因果関係を意識した分類基準を,その安定性と堅牢性を改善するための象徴的モデルに分割する。
  論文  参考訳（メタデータ） (2026-02-17T23:35:50Z)
• Towards Remote Sensing Change Detection with Neural Memory [61.39582645714727]
  ChangeTitansは、リモートセンシングによる変更検出のためのTitansベースのフレームワークである。 まず、ニューラルネットワークと局所的な注意をセグメント化して統合するVTitansを提案する。 次に,階層型VTitans-Adapterを提案する。 第3に、2ストリーム融合モジュールであるTS-CBAMを導入し、擬似変化を抑制し、検出精度を高める。
  論文  参考訳（メタデータ） (2026-02-11T03:50:51Z)
• 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)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• 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)
• Causality-driven Sequence Segmentation for Enhancing Multiphase Industrial Process Data Analysis and Soft Sensing [4.420321822469078]
  本稿では因果型シーケンスセグメンテーションモデルを紹介する。 相転移時に起こる因果機構の急激なシフトに基づいて、配列を異なる相に分割する。 相毎に時間因果グラフ畳み込みネットワーク(TC-GCN)と呼ばれるソフトセンシングモデルを訓練する。
  論文  参考訳（メタデータ） (2024-06-30T10:40:54Z)
• 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)
• Hawkes Processes with Delayed Granger Causality [9.664517084506718]
  多変量ホークスプロセスに基づく遅延グランガー因果効果を明示的にモデル化する。 時間ラグの後方分布を推測し、この分布が様々なシナリオでどのように変化するかを理解する。 我々は,合成データと実データに基づいて,我々のモデルの事象予測と時間ラグ推定精度を実証的に評価した。
  論文  参考訳（メタデータ） (2023-08-11T12:43:43Z)
• 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)
• Deconfounded Video Moment Retrieval with Causal Intervention [80.90604360072831]
  本研究は,ビデオ中の特定のモーメントをテキストクエリに従ってローカライズすることを目的とした,ビデオモーメント検索(VMR)の課題に取り組む。 既存の手法は主に複雑な相互モーダル相互作用によるクエリとモーメントのマッチング関係をモデル化する。 本稿では,クエリとビデオコンテンツが予測に与える影響を捉えるために,構造因果モデルを構築する因果性に着想を得たVMRフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-03T01:33:26Z)

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。