論文の概要: Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series

• arxiv url: http://arxiv.org/abs/2607.24673v1
• Date: Mon, 27 Jul 2026 17:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.519946
• Title: Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
• Title（参考訳）: Causal-TS:高次元および非定常時系列における因果発見のためのPythonライブラリ
• Abstract要約: Causal-TSは、高次元および非定常時系列における因果発見のためのオープンソースライブラリである。 GES、Granger、LGES、LGES用のラッパーを備えたCDNOTS、CDNOTS+、CEDAR、GRACEの4つのアルゴリズムを提供する。 状態検出パイプラインは、プラグ可能な変更点検出器を介して構造的破壊を検出し、状態固有のパラメータで状態ごとの発見を実行する。 コマンドラインインターフェース、合成データジェネレータ、オプションのDoWhy統合は、生の時系列から因果効果推定までのエンドツーエンドパイプラインを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe Causal-TS, an open-source Python library for causal discovery in high-dimensional and nonstationary multivariate time series. Causal-TS provides four specialized algorithms-CDNOTS, CDNOTS+, CEDAR, and GRACE-along with wrappers for GES, Granger, LASSO-VAR, and LGES, all sharing a unified conditional independence (CI) test layer with GPU acceleration via PyTorch. A regime discovery pipeline detects structural breaks via pluggable changepoint detectors and runs discovery per regime with regime-specific parameters. A command-line interface, synthetic data generators, and optional DoWhy integration provide an end-to-end pipeline from raw time series to causal effect estimates. The library is pip-installable, tested on Python 3.10--3.12, and available at https://github.com/bloomberg/causal-ts.
• Abstract（参考訳）: 高次元および非定常多変量時系列における因果発見のためのオープンソースのPythonライブラリCausal-TSについて述べる。 Causal-TSは、CDNOTS、CDNOTS+、CEDAR、GRACEの4つのアルゴリズムと、GES、Granger、LASSO-VAR、LGESのラッパーを提供し、PyTorchを介してGPUアクセラレーションを備えた統一された条件独立(CI)テスト層を共有する。 状態検出パイプラインは、プラグ可能な変更点検出器を介して構造的破壊を検出し、状態固有のパラメータで状態ごとの発見を実行する。 コマンドラインインターフェース、合成データジェネレータ、オプションのDoWhy統合は、生の時系列から因果効果推定までのエンドツーエンドパイプラインを提供する。 Python 3.10--3.12でテストされ、https://github.com/bloomberg/causal-tsで入手できる。

関連論文リスト

• PyRadiomics-cuda: a GPU-accelerated 3D features extraction from medical images within PyRadiomics [0.0]
  PyRadiomics-cudaは、PyRadiomicsライブラリのGPUアクセラレーション拡張である。 医用画像から形状特徴を抽出する際の計算上の課題に対処する。
  論文  参考訳（メタデータ） (2025-10-03T11:00:31Z)
• PyPulse: A Python Library for Biosignal Imputation [58.35269251730328]
  PyPulseは,臨床およびウェアラブルの両方のセンサ設定において生体信号の計算を行うPythonパッケージである。 PyPulseのフレームワークは、非機械学習バイオリサーバーを含む幅広いユーザーベースに対して、使い勝手の良いモジュラーで拡張可能なフレームワークを提供する。 PyPulseはMITライセンスでGithubとPyPIでリリースしました。
  論文  参考訳（メタデータ） (2024-12-09T11:00:55Z)
• Causal-learn: Causal Discovery in Python [53.17423883919072]
  因果発見は、観測データから因果関係を明らかにすることを目的としている。 $textitcausal-learn$は因果発見のためのオープンソースのPythonライブラリである。
  論文  参考訳（メタデータ） (2023-07-31T05:00:35Z)
• PyPOTS: A Python Toolkit for Machine Learning on Partially-Observed Time Series [20.491714178518155]
  PyPOTSは、データマイニングと分析のためのオープンソースのライブラリである。 5つのタスクに分類される多様なアルゴリズムに簡単にアクセスできる。 PyPOTSはPyPI、Anaconda、Dockerで利用できる。
  論文  参考訳（メタデータ） (2023-05-30T07:57:05Z)
• TSFEDL: A Python Library for Time Series Spatio-Temporal Feature Extraction and Prediction using Deep Learning (with Appendices on Detailed Network Architectures and Experimental Cases of Study) [9.445070013080601]
  TSFEライブラリは、AGPLv3ライセンスの下でflow+KerasとPyTorchモジュールのセット上に構築されている。 この提案に含まれるアーキテクチャのパフォーマンス検証は、このPythonパッケージの有用性を確認している。
  論文  参考訳（メタデータ） (2022-06-07T10:58:33Z)
• PyGOD: A Python Library for Graph Outlier Detection [56.33769221859135]
  PyGODは、グラフデータの外れ値を検出するオープンソースライブラリである。 外れ値検出のための主要なグラフベースのメソッドを幅広くサポートしています。 PyGODはBSD 2-Clauseライセンスの下でhttps://pygod.orgとPython Package Index (PyPI)でリリースされている。
  論文  参考訳（メタデータ） (2022-04-26T06:15:21Z)
• PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
  PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
  論文  参考訳（メタデータ） (2022-01-12T07:32:36Z)
• PySAD: A Streaming Anomaly Detection Framework in Python [0.0]
  ストリーム異常検出には厳密な制約の下で動作させるアルゴリズムが必要である。 PySADは、統一アーキテクチャを通じてこれらの課題に対処する包括的なPythonフレームワークである。
  論文  参考訳（メタデータ） (2020-09-05T17:41:37Z)

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。