論文の概要: Dynamic Vine Copulas: Detecting and Quantifying Time-Varying Higher-Order Interactions

• arxiv url: http://arxiv.org/abs/2605.03061v1
• Date: Mon, 04 May 2026 18:29:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.600783
• Title: Dynamic Vine Copulas: Detecting and Quantifying Time-Varying Higher-Order Interactions
• Title（参考訳）: 動的Vineコプラ:時間変化高次相互作用の検出と定量化
• Authors: Houman Safaai, Alessandro Marin Vargas,
• Abstract要約: 動的Vine Copulas (DVC) はガウス的非ガウス的依存度を推定・診断するための時間的Vine copula framework である。 その相関は、C-wise、D-wise、R-vinesを使用し、スムーズなパラメータ軌跡や時間的に正規化された家族切替経路を通じて、時間にわたってペアのコプラ状態を使用することができる。
• 参考スコア（独自算出の注目度）: 47.562560779723356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time varying dependence is often modeled through dynamic correlations or Gaussian graphical models, yet many multivariate systems change through tail behavior, asymmetry, or conditional structure while correlations change little. We introduce Dynamic Vine Copulas (DVC), a temporal vine copula framework for estimating and diagnosing sequence wide non-Gaussian dependence. DVC keeps a chosen vine factorization fixed for comparability, can use C-, D-, or R-vines, and couples pair copula states across time through smooth parameter trajectories or temporally regularized family switching paths. Its central diagnostic contrasts held-out scores from a full vine and its matched 1-truncated counterpart, separating flexible first-tree pairwise evidence from higher-tree conditional evidence. At the population level, under a correct fixed vine and simplifying assumption, this contrast is the higher-tree term of a vine total correlation decomposition; in finite samples, it is a predictive diagnostic. Across controlled benchmarks, DVC detects Student-t tail degree changes, Clayton-to-Gumbel switches, and recurrent conditional interaction episodes that Gaussian dynamic baselines miss or conflate. The higher-tree score stays near zero in pairwise only regimes but rises selectively during conditional interaction regimes. On Allen Visual Behavior Neuropixels data, DVC identifies a reproducible time indexed higher-tree signal that is positive across held-out splits and disappears under a decorrelated null, indicating simultaneous cross-area dependence. Together, these results show that DVC is both a flexible temporal copula model and an interpretable diagnostic for whether time varying dependence changes are pairwise or conditional.
• Abstract（参考訳）: 時間的依存は動的相関やガウス図形モデルによってモデル化されることが多いが、多くの多変量系は尾の挙動、非対称性、条件構造を通じて変化し、相関はほとんど変化しない。 動的Vine Copulas (DVC) はガウス的非ガウス的依存度を推定・診断するための時間的Vine copula framework である。 DVCは、コンパラビリティのために選択されたブドウの因子化を保ち、C-、D-、R-ビンを使用でき、スムーズなパラメータ軌跡や時間的に正規化された家族切り替え経路を通じて、時間をかけてペアのコプラ状態を結合する。 中心的な診断は、完全なブドウと一致した1本枝のブドウから持ち上げられたスコアとを対比し、柔軟性のある第一木対の証拠と高木条件の証拠を分離した。 個体群レベルでは、正しい固定されたブドウの下で、仮定を単純化し、このコントラストは、ブドウ全相関分解の高木項であり、有限標本では予測診断である。 制御されたベンチマーク全体で、DVCは学生-t尾次数の変化、Clayton-to-Gumbelスイッチ、およびガウスのダイナミックベースラインがミスまたは失敗する頻繁な条件付きインタラクションエピソードを検出する。 高木のスコアはペアのみのレジームではゼロに近いが、条件付き相互作用レジームでは選択的に上昇する。 アレン・ビジュアル・ビヘイビア・ニューロピクセルのデータでは、DVCは再現可能な時間インデックス付き高木信号を特定し、これは保持された分割間で正であり、非相関なヌルの下で消滅し、同時にクロスエリア依存を示す。 これらの結果から,DVCは時間依存性の変化が一対に変化するか条件が変化するかの,柔軟な時間的コプラモデルであり,解釈可能な診断であることがわかった。

関連論文リスト

• Evaluating Temporal and Structural Anomaly Detection Paradigms for DDoS Traffic [0.046603287532620725]
  監視されていない異常検出は、クラウドネイティブな5GネットワークにおけるDistributed Denial-of-Service(DDoS)攻撃を検出するために広く使用されている。 ほとんどの研究は、どの特徴空間がデータに最も合うかを検証することなく、時間的または構造的な固定されたトラフィック表現を仮定する。 本稿では,2つの診断手法を用いて,時間的・構造的特徴を優先する軽量な意思決定フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T12:59:48Z)
• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• Causality-Aware Contrastive Learning for Robust Multivariate Time-Series Anomaly Detection [39.049577655194746]
  本稿では, RObust Multivariate Time-Series (CAROTS) における因果性を考慮したコントラスト学習を提案する。 CAROTSは2つのデータ拡張器を用いて因果保存と乱れのサンプルを取得し、様々な正常な変種や合成異常として機能する。 CAROTSは因果保存と乱れのサンプルを正と負とすることで、因果性に基づいて正常と異常なサンプルを分離したエンコーダを訓練する対照的な学習を行う。
  論文  参考訳（メタデータ） (2025-06-04T13:57:11Z)
• VCformer: Variable Correlation Transformer with Inherent Lagged Correlation for Multivariate Time Series Forecasting [1.5165632546654102]
  本稿では,変数間の相関を抽出する可変相関変換器(VCformer)を提案する。 VCAはクエリとキー間の遅延に応じて、相互相関スコアを計算し、統合する。 クープマンダイナミクス理論にインスパイアされた我々は、時系列の非定常性を改善するために、クープマン時間検出器(KTD)を開発した。
  論文  参考訳（メタデータ） (2024-05-19T07:39:22Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• 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)
• eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract) [0.3314882635954752]
  自己相関および非定常時系列データ(eCDAN)に対する制約に基づくCD手法を提案する。 eCDANは、時間的変化とともに、タグ付きおよび同時因果関係を検出することができる。 合成データと実世界のデータの実験は、eCDANが時間の影響を識別し、ベースラインを上回ることを示した。
  論文  参考訳（メタデータ） (2023-03-06T01:59:45Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)

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。