論文の概要: Learning Causal Structure of Time Series using Best Order Score Search

• arxiv url: http://arxiv.org/abs/2603.05370v1
• Date: Thu, 05 Mar 2026 16:54:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.329143
• Title: Learning Causal Structure of Time Series using Best Order Score Search
• Title（参考訳）: ベストオーダースコアサーチによる時系列の因果構造学習
• Authors: Irene Gema Castillo Mansilla, Urmi Ninad,
• Abstract要約: 観測データから学ぶ因果構造は多くの科学的・政策的な領域の中心である。 多くの分野に共通する時系列設定は、時間的依存のためにいくつかの課題を引き起こす。 最近提案されたBest Order Score Search(BOSS)の時系列拡張であるTS-BOSSを紹介する。
• 参考スコア（独自算出の注目度）: 3.3588764487158804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal structure learning from observational data is central to many scientific and policy domains, but the time series setting common to many disciplines poses several challenges due to temporal dependence. In this paper we focus on score-based causal discovery for multivariate time series and introduce TS-BOSS, a time series extension of the recently proposed Best Order Score Search (BOSS) (Andrews et al. 2023). TS-BOSS performs a permutation-based search over dynamic Bayesian network structures while leveraging grow-shrink trees to cache intermediate score computations, preserving the scalability and strong empirical performance of BOSS in the static setting. We provide theoretical guarantees establishing the soundness of TS-BOSS under suitable assumptions, and we present an intermediate result that extends classical subgraph minimality results for permutation-based methods to the dynamic (time series) setting. Our experiments on synthetic data show that TS-BOSS is especially effective in high auto-correlation regimes, where it consistently achieves higher adjacency recall at comparable precision than standard constraint-based methods. Overall, TS-BOSS offers a high-performing, scalable approach for time series causal discovery and our results provide a principled bridge for extending sparsity-based, permutation-driven causal learning theory to dynamic settings.
• Abstract（参考訳）: 観測データからの因果構造学習は、多くの科学的・政策領域の中心であるが、多くの分野に共通する時系列設定は、時間的依存のためにいくつかの課題をもたらす。 本稿では,多変量時系列のスコアに基づく因果探索に着目し,最近提案されたBest Order Score Search(BOSS)の時系列拡張であるTS-BOSSを紹介する(Andrews et al 2023)。 TS-BOSSは、グロースシンクツリーを利用して中間スコア計算をキャッシュし、静的環境でのBOSSのスケーラビリティと強力な経験的性能を保ちながら、動的ベイズネットワーク構造上の置換に基づく探索を行う。 我々は,TS-BOSSの音質を適切な仮定で確立する理論的保証を提供するとともに,置換に基づく手法の古典的部分グラフ最小化結果を動的(時系列)設定に拡張する中間結果を示す。 本実験は,TS-BOSSが高次自己相関系において特に有効であることを示す。 全体として、TS-BOSSは時系列因果探索のための高性能でスケーラブルなアプローチを提供し、我々の結果は、疎性に基づく順列型因果学習理論を動的設定に拡張するための原則的ブリッジを提供する。

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)
• A Comparative Study of Adaptation Strategies for Time Series Foundation Models in Anomaly Detection [0.0]
  時系列基礎モデル(TSFM)は、大きな異種データに基づいて事前訓練される。 我々は、ゼロショット推論、フルモデル適応、パラメータ効率の微調整戦略を比較した。 これらの結果は、TSFMをスケーラブルで効率的な時系列異常検出のための有望な汎用モデルとして位置づけている。
  論文  参考訳（メタデータ） (2026-01-01T19:11:33Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Efficient Latent Variable Causal Discovery: Combining Score Search and Targeted Testing [7.021824046220355]
  スコア誘導型混合戦略因果探索アルゴリズムのファミリーを提示する。 まず,GFCI(Greedy Fast Causal Inference)の変種であるBOSS-FCIとGRaSP-FCIを紹介する。 第2に FCI Targeted-Testing (FCIT) を開発した。
  論文  参考訳（メタデータ） (2025-10-05T16:09:31Z)
• Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
  時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。 我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:05:15Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• 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)

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。