論文の概要: Uncertainty in Federated Granger Causality: From Origins to Systemic Consequences

• arxiv url: http://arxiv.org/abs/2602.13004v1
• Date: Fri, 13 Feb 2026 15:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:54.000887
• Title: Uncertainty in Federated Granger Causality: From Origins to Systemic Consequences
• Title（参考訳）: フェデレーション・グランガーの因果関係の不確実性--起源から体系的因果関係へ
• Authors: Ayush Mohanty, Nazal Mohamed, Nagi Gebraeel,
• Abstract要約: Granger Causality (GC)は時系列データから因果構造を学ぶための厳密なフレームワークを提供する。 フェデレーションGCアルゴリズムは因果関係を決定論的に推定し、不確実性を無視するのみである。 本稿では,不確実性を厳密に定量化するための最初の手法を確立する。
• 参考スコア（独自算出の注目度）: 3.122408196953971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Granger Causality (GC) provides a rigorous framework for learning causal structures from time-series data. Recent federated variants of GC have targeted distributed infrastructure applications (e.g., smart grids) with distributed clients that generate high-dimensional data bound by data-sovereignty constraints. However, Federated GC algorithms only yield deterministic point estimates of causality and neglect uncertainty. This paper establishes the first methodology for rigorously quantifying uncertainty and its propagation within federated GC frameworks. We systematically classify sources of uncertainty, explicitly differentiating aleatoric (data noise) from epistemic (model variability) effects. We derive closed-form recursions that model the evolution of uncertainty through client-server interactions and identify four novel cross-covariance components that couple data uncertainties with model parameter uncertainties across the federated architecture. We also define rigorous convergence conditions for these uncertainty recursions and obtain explicit steady-state variances for both server and client model parameters. Our convergence analysis demonstrates that steady-state variances depend exclusively on client data statistics, thus eliminating dependence on initial epistemic priors and enhancing robustness. Empirical evaluations on synthetic benchmarks and real-world industrial datasets demonstrate that explicitly characterizing uncertainty significantly improves the reliability and interpretability of federated causal inference.
• Abstract（参考訳）: Granger Causality (GC)は時系列データから因果構造を学ぶための厳密なフレームワークを提供する。 最近のGCのフェデレート版では、分散インフラストラクチャアプリケーション(スマートグリッドなど)を、データ主権制約に縛られた高次元データを生成する分散クライアントにターゲットとしている。 しかし、フェデレートGCアルゴリズムは因果関係を決定論的に推定し、不確実性を無視するのみである。 本稿では,GCフレームワーク内での不確実性とその伝播を厳密に定量化するための最初の手法を確立する。 我々は,アレータリック(データノイズ)とてんかん(モデル可変性)の影響を明確に区別し,不確実性の源を体系的に分類する。 クライアントとサーバのインタラクションを通じて不確実性の進化をモデル化するクローズドフォーム再帰を導出し、フェデレートされたアーキテクチャ全体にわたるモデルパラメータの不確実性とデータの不確実性とを結合する4つの新しい相互共分散コンポーネントを同定する。 また、これらの不確実性再帰に対する厳密な収束条件を定義し、サーバモデルパラメータとクライアントモデルパラメータの両方に対して明確な定常分散を求める。 我々の収束分析は、定常状態のばらつきがクライアントデータ統計にのみ依存していることを示し、初期てんかんの前兆への依存を排除し、堅牢性を高める。 人工ベンチマークと実世界の産業データセットに関する実証的な評価は、不確実性を明示的に特徴付けることは、連合因果推論の信頼性と解釈可能性を大幅に向上させることを示している。

関連論文リスト

• ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition [0.12489632787815884]
  Time Series Foundation Models (TSFMs) はゼロショット財務予測のための有望なアプローチとして登場した。 現在のアプローチでは、制限的な分布仮定に依存したり、異なる不確実性の源を詳述したり、原則化された校正機構が欠如している。 本稿では,Deep Evidential Regression (DER) を利用した変圧器を用いた新しい確率的フレームワーク ProbFM を提案する。
  論文  参考訳（メタデータ） (2026-01-15T17:02:06Z)
• Uncertainty-driven Embedding Convolution [16.523816971857787]
  不確実性駆動型埋め込み畳み込み(UEC)を提案する。 UECは決定論的埋め込みをポストホックな方法で確率論的に変換する。 その後、埋め込みの不確実性に基づいて適応アンサンブル重みを計算する。
  論文  参考訳（メタデータ） (2025-07-28T11:15:25Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Uncertainty separation via ensemble quantile regression [23.667247644930708]
  本稿では,不確実性推定と分離のための新しい,スケーラブルなフレームワークを提案する。 我々のフレームワークは大規模データセットにスケーラブルであり、合成ベンチマークで優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-18T11:15:32Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。