Fugu-MT 論文翻訳(概要): Causal Discovery on Irregular Time Series

論文の概要: Causal Discovery on Irregular Time Series

arxiv url: http://arxiv.org/abs/2607.18226v1
Date: Mon, 20 Jul 2026 17:57:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.73012
Title: Causal Discovery on Irregular Time Series
Title（参考訳）: 不規則時系列の因果発見
Abstract要約: 因果発見法は時間系において強い性能を示した。多くの実世界のタスクは、不規則にサンプリングされたイベントストリームを扱う必要がある。そこで本研究では,不規則な時系列を扱うためのPCMCI+の拡張を提案する。
参考スコア（独自算出の注目度）: 6.797750633873643
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Causal discovery methods have shown strong performance in temporal systems, but they typically rely on regular and discrete lag structures, limiting their applicability to regularly sampled data. However, many real-world tasks require dealing with irregularly sampled streams of events, such as sensor streams, healthcare data, and financial transactions. In this work, we propose an extension of PCMCI+, a state-of-the-art method for causal discovery on regular multivariate time series, to allow for handling irregular time series. Instead of modelling causal relations through fixed-lag dependencies, our method aggregates causal influence over predefined temporal windows. We evaluate our method on synthetic irregular event streams with known causal structures under different signal-to-noise ratios, showing that it consistently recovers the underlying causal graph and substantially outperforms the standard PCMCI+ on irregularly sampled data.
Abstract（参考訳）: 因果発見法は時間系において強い性能を示してきたが、通常は規則的なラグ構造と離散的なラグ構造に依存しており、定期的にサンプリングされたデータに適用可能である。しかし、現実のタスクの多くは、センサストリーム、医療データ、金融取引など、不規則にサンプリングされたイベントストリームを扱う必要がある。本研究では,通常の多変量時系列における因果発見のための最先端手法であるPCMCI+の拡張を提案し,不規則時系列を扱えるようにした。固定遅延依存による因果関係をモデル化する代わりに,提案手法は予め定義された時間窓に対する因果関係を集約する。本研究では,信号対雑音比の異なる因果構造を持つ合成不規則事象ストリームについて評価し,その基礎となる因果グラフを一貫して復元し,不規則サンプリングデータ上での標準PCMCI+よりも大幅に優れていることを示す。

関連論文リスト

TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data [0.18097009159779617]
非定常時系列から同時・ラタグ因果関係を学習するエンドツーエンドアプローチを提案する。キーとなる革新は因果信号の蒸留であり、変圧器デコーダの再構成プロセスを通じて必須因果信号を蒸留する。合成、ベンチマーク、実世界のデータセットの実験は、TTCDがドメイン知識の正確性と一貫性の両方において、最先端のベースラインを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2026-04-27T19:44:38Z)
CaPulse: Detecting Anomalies by Tuning in to the Causal Rhythms of Time Series [42.46322016695622]
本稿では,時系列データの因果パルスに合わせた因果関係に基づく新しいフレームワークCaPulseを導入し,異常を効果的に検出する。そこで本研究では,新しいマスク機構を備えた周期正規化フローを提案する。 7つの実世界のデータセットの実験は、CaPulseが既存のメソッドを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2025-08-06T16:57:06Z)
ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
論文参考訳（メタデータ） (2025-07-04T05:39:50Z)
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)
Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies [14.784236273395017]
我々は,新しい半教師付き多変量時系列異常検出手法であるMuntsCIDを紹介する。 MtsCID は最先端のベンチマーク手法に匹敵する性能または優れた性能を達成できることを示す。
論文参考訳（メタデータ） (2025-01-22T05:53:12Z)
Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
論文参考訳（メタデータ） (2024-05-24T20:27:45Z)
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)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
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)
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)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。