論文の概要: The Powers of Precision: Structure-Informed Detection in Complex Systems -- From Customer Churn to Seizure Onset

• arxiv url: http://arxiv.org/abs/2601.21170v2
• Date: Tue, 03 Feb 2026 16:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 16:18:58.807615
• Title: The Powers of Precision: Structure-Informed Detection in Complex Systems -- From Customer Churn to Seizure Onset
• Title（参考訳）: 精度のパワー:複雑なシステムにおける構造インフォームド検出 -- 顧客チャーンから清垂オンセットまで-
• Authors: Augusto Santos, Teresa Santos, Catarina Rodrigues, José M. F. Moura,
• Abstract要約: 先天的な現象(てんかん発作、突然の顧客チャーン、またはパンデミック)は、複雑なシステム内の隠れた因果関係から生じることが多い。 本稿では,システムの潜伏する因果構造を明らかにし,活用するという課題に対処する早期発見のための機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 11.431576667955268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergent phenomena -- onset of epileptic seizures, sudden customer churn, or pandemic outbreaks -- often arise from hidden causal interactions in complex systems. We propose a machine learning method for their early detection that addresses a core challenge: unveiling and harnessing a system's latent causal structure despite the data-generating process being unknown and partially observed. The method learns an optimal feature representation from a one-parameter family of estimators -- powers of the empirical covariance or precision matrix -- offering a principled way to tune in to the underlying structure driving the emergence of critical events. A supervised learning module then classifies the learned representation. We prove structural consistency of the family and demonstrate the empirical soundness of our approach on seizure detection and churn prediction, attaining competitive results in both. Beyond prediction, and toward explainability, we ascertain that the optimal covariance power exhibits evidence of good identifiability while capturing structural signatures, thus reconciling predictive performance with interpretable statistical structure.
• Abstract（参考訳）: 先天的な現象(てんかん発作、突然の顧客チャーン、またはパンデミック)は、複雑なシステム内の隠れた因果関係から生じることが多い。 本稿では,データ生成過程が未知かつ部分的に観察されているにもかかわらず,システムの潜伏因果構造を公表し,活用することという課題に対処する,早期検出のための機械学習手法を提案する。 この方法は、実験的な共分散や精度行列の力である1パラメータの推定器群から最適な特徴表現を学習し、臨界事象の出現を駆動する基盤構造にチューニングする原則的な方法を提供する。 教師付き学習モジュールは、学習した表現を分類する。 我々は,家族の構造的整合性を証明し,発作検出とチャーン予測に対するアプローチの実証的健全性を実証し,両者の競争結果を得た。 予測性や説明可能性を超えて、最適共分散パワーは、構造的シグネチャを捕捉しながら良好な識別性を示すことを確認し、解釈可能な統計構造と予測性能を整合させる。

関連論文リスト

• Causal Structure and Representation Learning with Biomedical Applications [23.11061319442]
  基礎的なバイオメディカルな質問に動機づけられた因果構造と表現学習のための統計的・計算的な枠組みを概説する。 本研究では、観測データと摂動データを効果的に利用して、観測された因果変数の因果探索を行う方法について述べる。
  論文  参考訳（メタデータ） (2025-11-06T20:17:58Z)
• Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
  特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。 私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。 その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
  論文  参考訳（メタデータ） (2025-07-06T11:50:30Z)
• Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data [3.8443430569753025]
  観測データからの因果発見は、データ生成プロセスで使用される構造方程式の定式化に厳密な識別可能性の仮定を課す。 統合された性能評価フレームワークの欠如により、我々は解釈可能な6次元評価指標、すなわち、最適解の距離(DOS)を導入する。 本研究は、7つの異なる家系における構造学習アルゴリズムの性能を、不特定非非線形因果パターンの割合の増加に基づいて評価する最初の研究である。
  論文  参考訳（メタデータ） (2024-09-28T15:03:49Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• Deception by Omission: Using Adversarial Missingness to Poison Causal Structure Learning [12.208616050090027]
  観測データから因果構造を推定することは因果機械学習の重要な要素である。 これまでの研究では、完全に観察されたトレーニングデータの逆流が、不正確な因果構造モデルの学習に役立てられることが示されている。 本研究は,学習因果構造に偏りを与えるために,敵対者が真の訓練データの一部を欺くような新たな攻撃手法を導入する。
  論文  参考訳（メタデータ） (2023-05-31T17:14:20Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。