論文の概要: CaDrift: A Time-dependent Causal Generator of Drifting Data Streams

• arxiv url: http://arxiv.org/abs/2602.20329v1
• Date: Mon, 23 Feb 2026 20:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.5162
• Title: CaDrift: A Time-dependent Causal Generator of Drifting Data Streams
• Title（参考訳）: CaDrift: ドリフトデータストリームの時間依存カソーサルジェネレータ
• Authors: Eduardo V. L. Barboza, Jean Paul Barddal, Robert Sabourin, Rafael M. O. Cruz,
• Abstract要約: Causal Drift Generator (CaDrift)は、構造因果モデルに基づく時間依存型合成データ生成フレームワークである。 CaDriftは、制御されたシフトイベントと時間依存データと、データストリームの事実上無限の組み合わせを生成する。
• 参考スコア（独自算出の注目度）: 8.847214834412396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents Causal Drift Generator (CaDrift), a time-dependent synthetic data generator framework based on Structural Causal Models (SCMs). The framework produces a virtually infinite combination of data streams with controlled shift events and time-dependent data, making it a tool to evaluate methods under evolving data. CaDrift synthesizes various distributional and covariate shifts by drifting mapping functions of the SCM, which change underlying cause-and-effect relationships between features and the target. In addition, CaDrift models occasional perturbations by leveraging interventions in causal modeling. Experimental results show that, after distributional shift events, the accuracy of classifiers tends to drop, followed by a gradual retrieval, confirming the generator's effectiveness in simulating shifts. The framework has been made available on GitHub.
• Abstract（参考訳）: この研究は、構造因果モデル(SCM)に基づく時間依存型合成データ生成フレームワークCaDrift(Causal Drift)を提示する。 このフレームワークは、データストリームと制御されたシフトイベントと時間依存データとを事実上無限に組み合わせて生成し、進化するデータの下でメソッドを評価するツールである。 CaDriftは、SCMのドリフトマッピング関数によって様々な分布および共変量シフトを合成し、特徴と対象の間の根底にある因果関係を変化させる。 加えて、CaDriftは因果モデリングの介入を活用することで時々摂動をモデル化する。 実験の結果, 分散シフトイベント後, 分類器の精度が低下する傾向にあり, 段階的検索により, 生成器のシフトシミュレーションの有効性が確認された。 このフレームワークはGitHubで公開されている。

関連論文リスト

• InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
  InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。 提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
  論文  参考訳（メタデータ） (2025-09-09T14:53:19Z)
• Temporal Causal-based Simulation for Realistic Time-series Generation [1.49201581313345]
  因果発見(Causal Discovery)は、観察された変数間の関係を明らかにする上で、特に時間的設定において重要な役割を果たす。 因果構造、効果、時間に関する簡易な仮定に基づく生成技術は、シミュレーションデータの品質と多様性を制限する。 本稿では,実時間時系列データとその関連する時間因果グラフを生成するための堅牢なフレームワークである時間因果シミュレーション(TCS)を紹介する。
  論文  参考訳（メタデータ） (2025-06-02T10:59:48Z)
• Grassmannian Geometry Meets Dynamic Mode Decomposition in DMD-GEN: A New Metric for Mode Collapse in Time Series Generative Models [0.0]
  Generative Adversarial Networks (GANs) や Variational Autoencoders (Es) のような生成モデルは、トレーニングデータの完全な多様性をキャプチャできず、モード崩壊につながることが多い。 本稿では,時系列に特有のモード崩壊の定義を導入し,その重大度を定量化するための新しい計量 DMD-GEN を提案する。
  論文  参考訳（メタデータ） (2024-12-15T19:53:17Z)
• Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data [49.73114504515852]
  各世代の合成データによって元の実データを置き換えることは、モデル崩壊の傾向にあることを示す。 生成した実データと連続する合成データの蓄積は,モデル崩壊を回避することを実証する。
  論文  参考訳（メタデータ） (2024-04-01T18:31:24Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Disentangled Recurrent Wasserstein Autoencoder [17.769077848342334]
  Recurrent Wasserstein Autoencoder (R-WAE)はシーケンシャルデータの生成モデリングのための新しいフレームワークである。 R-WAEは入力シーケンスの表現を静的および動的因子に切り離す。 私達のモデルは無条件のビデオ生成およびdisentanglementの点では同じ設定の他のベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-01-19T07:43:25Z)
• Causal Transfer Random Forest: Combining Logged Data and Randomized Experiments for Robust Prediction [8.736551469632758]
  本稿では,既存のトレーニングデータとランダム化実験から得られた少量のデータを組み合わせてモデルを訓練するCTRFについて述べる。 我々は,Bing Adsプラットフォームにおける合成データ実験と実世界の実験の両方を用いてCTRFを評価する。
  論文  参考訳（メタデータ） (2020-10-17T03:54:37Z)
• CURIE: A Cellular Automaton for Concept Drift Detection [25.314158724575915]
  データストリームマイニングは、高速かつ連続的に流れる大量のデータから情報を抽出する。 これらはデータ分布の変化に影響され、概念ドリフト(concept drift)と呼ばれる現象が引き起こされる。 本研究では,セルオートマトンを利用したドリフト検出器CU RIEを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:28:21Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。