論文の概要: Beyond Stationarity in Time Series: Discovering Causal Structures and Latent Regimes via Markov Blankets
- arxiv url: http://arxiv.org/abs/2609.05150v1
- Date: Fri, 04 Sep 2026 13:52:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.061277
- Title: Beyond Stationarity in Time Series: Discovering Causal Structures and Latent Regimes via Markov Blankets
- Title（参考訳）: 時系列における定常性を超えて:マルコフブランケットによる因果構造と潜伏レジームの発見
- Abstract要約: Markov Blankets (RCBNB-MB) を用いたレジーム対応制約とノイズに基づく因果発見
本稿では,時系列に対する新たな因果探索アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 8.563016229291197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces Regime-aware Constraint-Based and Noise-Based causal discovery with Markov Blankets (RCBNB-MB), a novel causal discovery algorithm for time series that relaxes the common assumption of a single, time-consistent causal structure. Time series are typically observed at discrete time points and often exhibit regime changes that challenge the assumption of a static causal structure, a limitation in many real-world dynamic systems. To address this challenge, RCBNB-MB identifies latent causal regimes, defined as subsets of time points within which a stable causal structure holds. The algorithm follows an iterative strategy that segments the time series into regimes and discovers the causal graph within each regime. By leveraging the Markov blanket rather than direct parents, RCBNB-MB gains robustness to errors in causal discovery and preserves predictive information. We provide theoretical guarantees for RCBNB-MB's ability to recover both regime transitions and causal graphs under reasonable assumptions. Furthermore, we validate its effectiveness through extensive experiments on simulated datasets with known ground truth and real-world IT monitoring data, where taking into account regime shifts is critical. Empirical results show that RCBNB-MB systematically outperforms baseline approaches in accurately detecting regime changes and their associated causal graphs, positioning it as a robust and versatile framework for non-stationary time series analysis.
- Abstract（参考訳）: 本稿では,1つの時間一貫性のある因果構造の共通仮定を緩和する時系列の新しい因果探索アルゴリズムであるMarkov Blankets (RCBNB-MB) を用いて,Regime-aware Constraint-based and Noise-based causal discoveryを提案する。
時系列は典型的には離散時間点で観測され、静的因果構造(多くの実世界の力学系における制限)の仮定に挑戦する状態変化を示すことが多い。
この課題に対処するため、RCBNB-MBは、安定した因果構造が成立する時間点のサブセットとして定義される潜在因果構造を特定する。
このアルゴリズムは、時系列をレジームに分割し、各レジーム内の因果グラフを発見する反復戦略に従う。
直接親ではなくマルコフ毛布を活用することにより、RCBNB-MBは因果発見におけるエラーに対して堅牢性を獲得し、予測情報を保存する。
我々は、RCBNB-MBが、合理的な仮定の下で、状態遷移と因果グラフの両方を回復する能力について理論的に保証する。
さらに,シミュレーションデータセットと実世界のIT監視データを用いた大規模な実験により,その有効性を検証する。
実証実験の結果,RCBNB-MBは構造変化とその関連因果グラフを正確に検出し,非定常時系列解析のための堅牢で汎用的なフレームワークとして位置づける上で,ベースラインアプローチよりも体系的に優れていることが示された。
関連論文リスト
- Temporal Knowledge Graph Forecasting under Distribution Shifts: A Synthetic Evaluation [11.079423042176904]
合成TKGジェネレータを用いた制御シフト環境下でのTKG予測について検討した。
実験の結果,TKG予測のロバスト性は信号依存性が高いことが示唆された。
構造的破壊はモデル適応性の限界を明らかにし、潜在エンティティ・コミュニティ構造の変化は最も難しい課題である。
論文 参考訳（メタデータ） (2026-07-10T09:22:19Z) - 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) - A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。
提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
論文 参考訳（メタデータ） (2026-02-10T17:16:49Z) - Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。
CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。
彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
論文 参考訳（メタデータ） (2026-02-10T11:46:15Z) - The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。
時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。
本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
論文 参考訳（メタデータ） (2025-12-21T06:08:22Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - 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) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。