論文の概要: VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery

• arxiv url: http://arxiv.org/abs/2602.21381v1
• Date: Sun, 22 Feb 2026 23:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.613629
• Title: VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery
• Title（参考訳）: VCDF: 時系列因果発見のための合意駆動フレームワーク
• Authors: Gene Yu, Ce Guo, Wayne Luk,
• Abstract要約: ブロックされた時間的部分集合間の因果関係の安定性を評価することによってロバスト性を向上させる手法を提案する。 合成データセットの実験では、VAR-LiNGAMはウィンドウと要約F1スコアの両方で約0.08-0.12改善されている。 このフレームワークはまた、長いシーケンスの恩恵を受け、1000以上の時系列に対して最大0.18の絶対的な改善をもたらす。
• 参考スコア（独自算出の注目度）: 5.951510294473959
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series causal discovery is essential for understanding dynamic systems, yet many existing methods remain sensitive to noise, non-stationarity, and sampling variability. We propose the Validated Consensus-Driven Framework (VCDF), a simple and method-agnostic layer that improves robustness by evaluating the stability of causal relations across blocked temporal subsets. VCDF requires no modification to base algorithms and can be applied to methods such as VAR-LiNGAM and PCMCI. Experiments on synthetic datasets show that VCDF improves VAR-LiNGAM by approximately 0.08-0.12 in both window and summary F1 scores across diverse data characteristics, with gains most pronounced for moderate-to-long sequences. The framework also benefits from longer sequences, yielding up to 0.18 absolute improvement on time series of length 1000 and above. Evaluations on simulated fMRI data and IT-monitoring scenarios further demonstrate enhanced stability and structural accuracy under realistic noise conditions. VCDF provides an effective reliability layer for time series causal discovery without altering underlying modeling assumptions.
• Abstract（参考訳）: 時系列因果発見は動的システムを理解するのに不可欠であるが、多くの既存の手法はノイズ、非定常性、サンプリング変数に敏感である。 本稿では,ブロックされた時間的部分集合間の因果関係の安定性を評価することにより,ロバスト性を向上させる,シンプルでメソッドに依存しないレイヤであるVCDFを提案する。 VCDFはベースアルゴリズムの変更を必要としないため、VAR-LiNGAMやPCMCIといった手法にも適用できる。 合成データセットの実験では、VAR-LiNGAMはウィンドウおよびサマリF1のスコアで約0.08-0.12向上し、中～長期のシーケンスでは最も顕著である。 このフレームワークはまた、長いシーケンスの恩恵を受け、1000以上の時系列に対して最大0.18の絶対的な改善をもたらす。 シミュレーションされたfMRIデータとIT監視シナリオの評価により、現実的な雑音条件下での安定性と構造的精度がさらに向上した。 VCDFは、基礎となるモデリングの前提を変更することなく、時系列因果発見に効果的な信頼性レイヤを提供する。

関連論文リスト

• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• Domain-Incremental Continual Learning for Robust and Efficient Keyword Spotting in Resource Constrained Systems [0.0]
  キーワード エッジデバイスにデプロイされる小さなフットプリントモデルを備えたスポッティングシステムは、かなりの精度と堅牢性に直面する。 計算効率を維持しつつ,新しい領域に適応する継続的学習のための包括的フレームワークを提案する。 提案したパイプラインは、Mel Frequency Cepstral Coefficients(MFCC)とMel-spectrogram機能の両方を利用して、デュアルインプットの畳み込みニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2026-01-22T17:59:31Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Temp-SCONE: A Novel Out-of-Distribution Detection and Domain Generalization Framework for Wild Data with Temporal Shift [0.0874967598360817]
  本研究では,動的環境における時間変化を処理するために,時間的に一貫したSCONE拡張であるTemp-SCONEを提案する。 動的データセットの実験により、Temp-SCONEは時間的ドリフト下で著しく改善することが示された。 時間的安定性と一般化誤差に関する理論的考察により、Temp-SCONEは信頼性OWLへのステップとしてさらに確立される。
  論文  参考訳（メタデータ） (2025-12-04T08:35:51Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• STaTS: Structure-Aware Temporal Sequence Summarization via Statistical Window Merging [7.085954928597584]
  時系列データは、しばしば遅延時間構造、局所定常状態間の遷移、繰り返しモチーフ、変動のバーストを含む。 本稿では,Structure-Aware Temporal Summarizationのための軽量で教師なしのフレームワークSTaTSを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:51:47Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams [0.42970700836450476]
  本稿では,リアルタイム異常検出のための新しいエンドツーエンドフレームワークであるCALMを紹介する。 CALMはApache Beam分散処理フレームワーク上に構築されている。 クローズドループで連続的な微調整機構を実装し、異常検出モデルがほぼリアルタイムで進化するデータパターンに適応できるようにする。
  論文  参考訳（メタデータ） (2025-08-29T00:27:35Z)
• An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
  本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。 フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。 構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。 その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
  論文  参考訳（メタデータ） (2022-01-23T04:01:43Z)

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。