論文の概要: M-CaStLe: Uncovering Local Causal Structures in Multivariate Space-Time Gridded Data
- arxiv url: http://arxiv.org/abs/2605.00398v1
- Date: Fri, 01 May 2026 04:40:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.846949
- Title: M-CaStLe: Uncovering Local Causal Structures in Multivariate Space-Time Gridded Data
- Title（参考訳）: M-CaStLe:多変量時空間格子データ中の局所因果構造を明らかにする
- Authors: J. Jake Nichol, Michael Weylandt, G. Matthew Fricke, Jhayron Perez-Carrasquilla, Melanie E. Moses,
- Abstract要約: 時空システムの因果グラフ発見は高次元グリッドデータでは困難である。
CaStLeは、時空の局所性と定常性の仮定の下で、そのニッチに対処するために開発された。
本稿では,M-CaStLeを用いて局所的な内部同定と時空間の時間的因果構造をグリッドデータでモデル化する。
- 参考スコア（独自算出の注目度）: 0.6054759773528756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal graph discovery for space-time systems is challenging in high-dimensional gridded data, which often has many more grid cells than temporal observations per cell. The Causal Space-Time Stencil Learning (CaStLe) meta-algorithm was developed to address that niche under space-time locality and stationarity assumptions, but it is currently limited to univariate analyses. In this work, we present M-CaStLe. M-CaStLe generalizes the local embedding and parent-identification phases of CaStLe to jointly model local within-variable and cross-variable space-time causal structures in gridded data. Like CaStLe, by constraining candidate parents to a constant-size space-time neighborhood and pooling spatial replicates, M-CaStLe increases effective sample size to make discovery tractable in high-dimensional settings. We further decompose the resulting multivariate stencil graph into reaction and spatial graphs to aid interpretation in complex settings. We study M-CaStLe in four settings: a multivariate space-time vector autoregression benchmark with known ground truth, an advective-diffusive-reaction partial differential equation verification problem with derived physical reference structure, an atmospheric chemistry case study in a low-temporal-sample regime, and an El Niño Southern Oscillation study on reanalysis data, identifying phase-dependent ocean--atmosphere coupling. Across these settings, M-CaStLe more accurately recovers multivariate causal structure in controlled settings and identifies important physical dynamics in real-world case studies. Overall, M-CaStLe advances causal discovery for multivariate space-time systems while retaining interpretability at the grid level.
- Abstract（参考訳）: 時空系に対する因果グラフの発見は、高次元の格子データでは困難であり、しばしばセル毎の時間観測よりも多くの格子セルを持つ。
CaStLeメタアルゴリズム(Causal Space-Time Stencil Learning、CaStLe)は、時空の局所性と定常性の仮定の下でニッチに対処するために開発されたが、現在は単変量解析に限られている。
本研究では,M-CaStLeについて述べる。
M-CaStLeは、局所的なCaStLeの埋め込みと親同定フェーズを一般化し、格子データ中の局所的な不変量および交叉可能な時空因果構造を共同でモデル化する。
CaStLeと同様に、候補の両親を一定の大きさの時空近傍に制限し、空間複製をプールすることで、M-CaStLeは効率的なサンプルサイズを増やして、高次元の設定で発見を誘引できるようにする。
さらに、得られた多変量ステンシルグラフを反応グラフと空間グラフに分解し、複雑な設定の解釈を支援する。
我々は,M-CaStLeを,多変量空間時間ベクトル自己回帰ベンチマーク,導出した物理参照構造を持つ対流拡散偏微分方程式検証問題,低時間サンプル状態における大気化学ケーススタディ,相依存性海洋-大気結合を同定した再解析データに関するエルニーニョ南部振動法研究の4つの設定で研究した。
これらの設定全体で、M-CaStLeは制御された設定における多変量因果構造をより正確に復元し、実世界のケーススタディにおいて重要な物理力学を識別する。
全体として、M-CaStLeはグリッドレベルでの解釈可能性を維持しながら、多変量時空系の因果発見を進める。
関連論文リスト
- Causal Representation Meets Stochastic Modeling under Generic Geometry [49.24293444627916]
我々は,連続時間潜在点過程の因果表現学習を開発する。
MUTATEは時間適応型遷移モジュールを持つ変分自動エンコーダフレームワークである。
シミュレーションおよび実証研究全体で、MUTATEは科学的疑問に効果的に答えられることが判明した。
論文 参考訳（メタデータ） (2026-02-04T20:40:53Z) - Local Intrinsic Dimensionality of Ground Motion Data for Early Detection of Complex Catastrophic Slope Failure [5.622625734292367]
局所固有次元(LID)は,高次元データにおける異常や外れ値の同定に強い可能性を示している。
本研究では,地中地すべりのモニタリングに焦点をあて,空間的・時間的情報を統合した新しい手法を提案する。
論文 参考訳（メタデータ） (2026-01-07T04:29:05Z) - Attention-Guided Deep Adversarial Temporal Subspace Clustering (A-DATSC) Model for multivariate spatiotemporal data [0.16206783799607727]
サブスペースクラスタリングモデルは、融雪検出海氷追跡などの応用に不可欠である。
グラフアテンションに基づく自己表現型ネットワークは、局所的な空間的関係、グローバルな依存関係、短距離と長距離の両方をキャプチャする。
3つの実世界のデータセットによる実験により、A-SCSCは最先端の深層宇宙クラスタリングモデルと比較してかなり優れたクラスタリング性能を達成している。
論文 参考訳（メタデータ） (2025-10-20T18:38:26Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - Discovering Latent Causal Graphs from Spatiotemporal Data [23.400027588427964]
気候データから因果関係を推定することは、高次元の問題である。
SPACY(Tiotemporal CausalY)は潜在因果構造に基づく推論のための新しいフレームワークである。
SPACYはまた、現実世界の気候データから既知の重要な現象を特定する。
論文 参考訳（メタデータ） (2024-11-08T05:12:16Z) - IME: Integrating Multi-curvature Shared and Specific Embedding for Temporal Knowledge Graph Completion [97.58125811599383]
時間的知識グラフ(TKG)は時間次元を取り入れており、知識の進化を正確に捉えることができる。
本稿では,TKGCタスクのための新しい多曲率共有固有埋め込み(IME)モデルを提案する。
IMEは2つの重要な性質、すなわち空間共有性と空間固有性を含んでいる。
論文 参考訳（メタデータ） (2024-03-28T23:31:25Z) - Variational Mode Decomposition-Based Nonstationary Coherent Structure Analysis for Spatiotemporal Data [0.0]
本稿では,非定常現象におけるコヒーレント構造の抽出を可能にする変分モード分解(VMD-NCS)解析を提案する。
多くの従来のモーダル解析手法とは異なり,提案手法は時間的空間分布の時間的変化を考慮に入れている。
論文 参考訳（メタデータ） (2023-12-19T12:36:39Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z)
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。