論文の概要: Time series causal discovery with variable lags

• arxiv url: http://arxiv.org/abs/2605.04081v1
• Date: Wed, 15 Apr 2026 09:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.580411
• Title: Time series causal discovery with variable lags
• Title（参考訳）: 可変ラグを用いた時系列因果探索
• Authors: Bruno Petrungaro, Anthony C. Constantinou,
• Abstract要約: Causal Bayesian Networks (CBN) は、複雑な実世界の問題に対する不確実性の下で推論するための強力なツールである。 意思決定を支援するために、CBNはネットワークの構造として知られる検討中の変数の因果マップを必要とする。 時間順の有向構造を探索するタブに基づく構造学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.929956715430168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal Bayesian Networks (CBNs) are a powerful tool for reasoning under uncertainty about complex real-world problems. Such problems evolve over time, responding to external shocks as they occur. To support decision-making, CBNs require a cause-and-effect map of the variables under consideration, known as the network's structure. Learning the graphical structure of a causal model from data remains challenging; learning it from time-series data is even harder because dependencies may arise at different time lags. Existing time-series causal discovery methods often assume a fixed lag window and do not explicitly optimise edge-specific lags. We propose a Tabu-based structure learning algorithm that searches for a time-ordered directed structure (i.e., where every edge respects time) while allowing edge-specific lags up to a specified maximum lag. The approach uses a decomposable BIC-based score with node-specific effective sample sizes and an explicit lag-length penalty encouraging parsimonious delay assignments while preserving efficient local score updates. We provide theoretical guarantees of validity and local optimality, and we also describe a parallel implementation for improved scalability. In simulations, the method recovered graph structure competitively and estimated lags accurately when true adjacencies were recovered. On a real-world UK COVID-19 policy dataset, the learnt structure was dominated by short delays while retaining a substantial minority of longer-lag dependencies, consistent with delayed behavioural and epidemiological effects.
• Abstract（参考訳）: Causal Bayesian Networks (CBN) は、複雑な実世界の問題に対する不確実性の下で推論するための強力なツールである。 このような問題は時間とともに進化し、外部の衝撃に反応する。 意思決定を支援するために、CBNはネットワークの構造として知られる検討中の変数の因果マップを必要とする。 データから因果モデルのグラフィカルな構造を学ぶことは依然として困難であり、時系列データからそれを学ぶことは、依存関係が異なる時間ラグで発生する可能性があるため、さらに難しい。 既存の時系列因果探索法は、しばしば固定されたラグウィンドウを仮定し、エッジ固有のラグを明示的に最適化しない。 本稿では,時間順の有向構造(すなわち,各エッジが時刻を尊重する)を探索し,エッジ固有のラグを所定の最大遅延まで許容する,タブに基づく構造学習アルゴリズムを提案する。 このアプローチでは、ノード固有の有効サンプルサイズを持つ分解可能なBICベースのスコアと、効率的なローカルスコア更新を保ちながら、同期的な遅延割り当てを奨励する明示的なラグ長ペナルティを使用する。 妥当性と局所最適性の理論的保証を提供するとともに,拡張性向上のための並列実装についても述べる。 シミュレーションでは,真の隣接が復元されたとき,グラフ構造を競合的に復元し,遅延を正確に推定した。 現実の英国の新型コロナウイルス(COVID-19)政策データセットでは、学習構造は短い遅延によって支配され、遅延した行動や疫学的影響と整合して、長期間の依存関係のかなりの少数を保った。

関連論文リスト

• Causal feature selection framework for stable soft sensor modeling based on time-delayed cross mapping [8.141412943138107]
  因果的特徴選択は、産業応用におけるソフトセンサーモデルの性能を向上させることができる。 本稿では,時間遅れのクロスマッピングに基づく因果的特徴選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-20T15:58:51Z)
• 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)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Handling Delayed Feedback in Distributed Online Optimization : A Projection-Free Approach [1.9797215742507548]
  大量のデータが局所的に連続的に生成されるように、エッジでの学習はますます重要になっている。 本稿では,B が遅延の和である O(sqrtB) の後悔境界を達成するために慎重に設計された,集中的および分散的設定のための2つのプロジェクションフリーアルゴリズムを提案する。 本研究では,実世界の問題において,既存の問題と比較することにより,アルゴリズムの性能を実験的に検証する。
  論文  参考訳（メタデータ） (2024-02-03T10:43:22Z)
• Towards Understanding the Generalizability of Delayed Stochastic Gradient Descent [63.43247232708004]
  非同期で実行される勾配降下は、大規模機械学習モデルのトレーニングにおいて重要な役割を果たす。 既存の一般化誤差境界は悲観的であり、非同期遅延と一般化の相関を明らかにすることはできない。 我々の理論的結果は、非同期遅延は遅延SGDアルゴリズムの一般化誤差を低減することを示唆している。
  論文  参考訳（メタデータ） (2023-08-18T10:00:27Z)
• Non-stationary Delayed Combinatorial Semi-Bandit with Causally Related Rewards [7.0997346625024]
  我々は、因果関係の報酬で非定常かつ遅延半帯域問題を定式化する。 遅延したフィードバックから構造的依存関係を学習し、それを利用して意思決定を最適化する政策を開発する。 イタリアにおけるCovid-19の拡散に最も寄与する地域を検出するために, 合成および実世界のデータセットを用いて数値解析により評価を行った。
  論文  参考訳（メタデータ） (2023-07-18T09:22:33Z)
• CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
  時系列データからの因果発見は、機械学習における中心的なタスクである。 本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。 提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
  論文  参考訳（メタデータ） (2023-02-15T04:16:34Z)
• GRACE-C: Generalized Rate Agnostic Causal Estimation via Constraints [3.2374399328078285]
  時系列データから因果学習アルゴリズムによって推定される図形構造は、生成プロセスの因果時間スケールがデータの測定時間スケールと一致しない場合、誤解を招く因果情報を提供することができる。 既存のアルゴリズムは、この課題に対応するための限られたリソースを提供するため、研究者は彼らが知っているモデルを使うか、あるいは完全に因果学習を行う必要がある。 既存の方法は、(1)因果差と測定値の違いが知られていること、(2)時間スケールの違いが不明な場合にのみ非常に少数のランダム変数を扱うこと、(3)変数のペアにのみ適用されること、4)変数のペアにしか適用できないこと、など、四つの異なる欠点に直面している。
  論文  参考訳（メタデータ） (2022-05-18T22:38:57Z)
• Distributed stochastic optimization with large delays [59.95552973784946]
  大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。 DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
  論文  参考訳（メタデータ） (2021-07-06T21:59:49Z)

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。