論文の概要: Identifiable Markov Switching Models with Instantaneous Effects and Exponential Families

• arxiv url: http://arxiv.org/abs/2606.02231v1
• Date: Mon, 01 Jun 2026 13:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.101892
• Title: Identifiable Markov Switching Models with Instantaneous Effects and Exponential Families
• Title（参考訳）: 瞬時効果と指数関数を持つマルコフスイッチングモデル
• Authors: Roel Hulsman, Carles Balsells-Rodas, Sara Magliacane,
• Abstract要約: 時相系は、季節的な気候変動や1型糖尿病患者の血糖変動などの非定常的な行動を示すことが多い。 非定常性(英語版)をモデル化する方法の1つは、離散潜在状態、すなわち定常時間セグメントを通してである。 潜伏状態の特定は、頻繁な状態スイッチと非線形および非ガウス力学の存在において困難である。 我々の識別可能性理論は因果モデルの非時間混合を仮定する。
• 参考スコア（独自算出の注目度）: 10.259341218563048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal systems often exhibit non-stationary behaviour, such as seasonal climate variation or glucose fluctuations in patients with type-1 diabetes. One way to model non-stationarity is through discrete latent regimes, i.e., stationary segments of time. Such systems induce a Markov Switching Model (MSM), a class of Hidden Markov Models with autoregressive dependencies among latent regimes and observed variables. Identifying latent regimes is challenging in the presence of frequent regime switches and nonlinear and non-Gaussian dynamics, particularly when there are instantaneous effects between the variables, e.g., due to slow rates of measurements. In this work, we establish the identifiability of both latent regimes and regime-dependent causal structures under temporal regime dependencies, nonlinear lagged and instantaneous effects, and independent noise from the exponential family. Our identifiability theory subsumes non-temporal mixtures of causal models. Furthermore, we introduce FlowMSM, a regime detection framework that can be paired with any stationary causal discovery method to recover regime-dependent causal structures. Experiments on synthetic benchmarks and a financial economics dataset demonstrate the effectiveness of our approach to detect latent regimes and discover causal structures from non-stationary time series.
• Abstract（参考訳）: 時相系は、季節的な気候変動や1型糖尿病患者の血糖変動などの非定常的な行動を示すことが多い。 非定常性(英語版)をモデル化する方法の1つは、離散潜在状態、すなわち定常時間セグメントを通してである。 このようなシステムは、隠れマルコフモデルのクラスであるマルコフスイッチングモデル (MSM) を誘導する。 潜伏状態の特定は、頻繁な状態スイッチや非線形および非ガウス力学の存在、特に測定速度の遅いため変数間で即時的な効果がある場合において困難である。 本研究では, 時間的体制依存, 非線形ラグ, 即時効果, 指数関数族からの独立ノイズの下で, 潜時的体制と政権依存因果構造の両方の識別可能性を確立する。 我々の識別可能性理論は因果モデルの非時間混合を仮定する。 さらに, 定常因果検出手法と組み合わせて, 規則に依存した因果構造を復元するシステムであるFlowMSMを導入する。 非定常時系列から潜伏状態を検出して因果構造を発見する手法の有効性を, 総合ベンチマークと金融経済学データセットで実証した。

関連論文リスト

• The Stationarity Bias: Stratified Stress-Testing for Time-Series Imputation in Regulated Dynamical Systems [0.098314893665023]
  時系列計算ベンチマークはランダムマスキングと形状に依存しないメトリクスを使用する。 我々は、このバイアスを形式化し、評価を定常型と過渡型に分割するemphStratified Stress-Testを提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:05:56Z)
• On the Identifiability of Regime-Switching Models with Multi-Lag Dependencies [42.274922469778545]
  マルチラグレジームスイッチングモデル(RSM)の一般的な理論的枠組みを開発する。 非線形ガウス条件下では,レギュラー数とマルチラグ遷移の双方の識別可能性を示す。 我々の結果は、アーキテクチャとノイズの仮定を通して完全に教師なしの設定を保ちます。
  論文  参考訳（メタデータ） (2026-01-06T15:12:39Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• Identifying Nonstationary Causal Structures with High-Order Markov Switching Models [32.86541172199634]
  時系列における因果発見は急速に発展し、気候科学や神経科学など様々な分野に応用されている。 この研究では、状態依存因果構造を通して非定常性に対処する。
  論文  参考訳（メタデータ） (2024-06-25T16:38:27Z)
• 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)
• 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)
• Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching [2.8579459256051316]
  我々はDeep Switching State Space Model(DS$3$M)として知られる新しいモデリングフレームワークを紹介する。 このフレームワークは、動的に隠された不規則な状態を特定しながら、そのような時系列の正確な予測を行うように設計されている。 本研究は,DS$3$Mの短期および長期の予測テストを通じて,シミュレーションおよび実世界の幅広いデータセット上でのDS$3$Mの有効性とレギュラー識別能力を検証する。
  論文  参考訳（メタデータ） (2021-06-04T08:25:47Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。