論文の概要: Causal Lag Structure Discovery in Confounded Time Series via Orthogonalized Adaptive Estimation
- arxiv url: http://arxiv.org/abs/2610.05618v1
- Date: Sun, 04 Oct 2026 23:28:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 12:29:18.609076
- Title: Causal Lag Structure Discovery in Confounded Time Series via Orthogonalized Adaptive Estimation
- Title（参考訳）: 直交適応推定による連続時間列の因果ラグ構造発見
- Abstract要約: ORACLE-VARXは3つ全てを1つのパイプラインで実行します。
ORACLE-VARXは、真のラグオーダーを追跡する。
9つの米国セクターの共同設立者について、解釈可能な因果グラフが得られる。
- 参考スコア（独自算出の注目度）: 3.3307369599564045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding which variables cause which others in multivariate time series, and at what lags, is central to science and policy, yet existing methods force a choice between flexible confounder adjustment, data-driven lag selection, and inference that controls the false discovery rate (FDR). ORACLE-VARX does all three in one pipeline. First, double/debiased machine learning (DML) removes nonlinear confounder effects from the outcomes and the lagged series. Second, adaptive causal lag estimation (ACLE) picks the lag order at each time step by sequential significance tests, tracking regime changes. Third, entry-wise $z$-tests with Benjamini--Hochberg correction select directed edges at a target FDR. We prove that in each rolling window, the debiased coefficients are asymptotically normal around a window-averaged target, so their $z$-tests are asymptotically valid. On a synthetic benchmark with time-varying structure and nonlinear confounding, ORACLE-VARX (LightGBM) tracks the true lag order best (RMSE $0.96$ vs $1.1$--$1.5$), has edge FDR $0.047$, close to PCMCI ($0.045$) and below VAR ($0.129$) and VAR-LiNGAM ($0.187$), and forecasts better than all three. On nine U.S. sector ETFs with macroeconomic confounders, it yields interpretable causal graphs whose lag order rises in high-volatility regimes.
- Abstract（参考訳）: どの変数が多変量時系列のどの変数、どのラグが科学や政策の中心であるかを見つけるが、既存の手法ではフレキシブルな共同設立調整、データ駆動ラグ選択、偽発見率(FDR)を制御する推論の選択肢を選択せざるを得ない。
ORACLE-VARXは3つ全てを1つのパイプラインで実行します。
まず、DML(Double/debiased Machine Learning)は、結果とラガー級数から非線形の共創効果を除去する。
第2に、アダプティブ因果ラグ推定(ACLE)は、逐次重要なテストによって各段階のラグ順序を選択し、状態の変化を追跡する。
第3に、Benjamini-Hochberg 補正によるエントリワイズ $z$-tests は、ターゲット FDR における有向エッジを選択する。
各転がり窓において、偏り係数は窓平均値の周囲で漸近的に正規であるため、それらの$z$-testは漸近的に有効である。
光GBM (ORACLE-VARX) は、時間的な構造と非線形なコンバウンディングを持つ合成ベンチマークにおいて、真のラグオーダー(RMSE $0.96$ vs $1.1$-1.5$)を追跡し、エッジ FDR $0.047$、PCMCI $0.045$、VAR $0.129$、VAR-LiNGAM (0.187$) に近づき、全ての3つよりも良い予測を行う。
マクロ経済の共同設立者を含む米国の9つのセクターETFでは、ラグ秩序が高ボラティリティな体制で上昇する解釈可能な因果グラフが得られる。
関連論文リスト
- Convergence Analysis of STORM Under Different Geometries [54.00747543528431]
分散低減効果により,STORMは非最適化のための高速収束を実現することを示す。
すべての結果は同じです。
同じ選択をしました
論文 参考訳（メタデータ） (2026-10-01T12:46:42Z) - A Convergence Framework for Deep $V$-Learning: Error Propagation and Sharp Action-Gap Bounds [0.0]
更新エラーを、フィッティング、遷移再利用、ターゲット構築、リプレイ、アクション選択、探索の6つの残差に分解する。
次数$n-$の統計的誤差境界に対して、最適連続割り当てと、制約された最適値の係数2$以内の整数割り当てを導出する。
これらの結果から, FIFO/インターリーブされたSGDに対して, 厳密な動作スコアを有する固定水平生成-リセット近似-ERM法に対して, 期待されるポリシ-ロス一貫性が得られた。
論文 参考訳（メタデータ） (2026-09-16T15:03:46Z) - CEDAR: Causal Edge Discovery for Autoregressive Processes [0.0]
本稿では,スパース自己回帰時系列における因果エッジ発見のための制約に基づく手法を提案する。
CEDARはAR(1)残差化, U中心距離相関を用いた多変量ラグの探索を行う。
安定プルーニングステップは間接エッジを除去し、任意の決定論的Cノードは特定のトレンドのような非定常性を調整する。
論文 参考訳（メタデータ） (2026-07-22T20:01:44Z) - GRACE: Gated Refinement for Accurate Causal Edge Discovery in High-Dimensional Time Series [0.0]
高速リニアCIスケルトンはハイリコール候補を提供する。
単一ゲートモデルは、どのエッジが真に予測を改善するかを学ぶことによって、偽陽性を誘発する。
GRACEは高価な非線形CIテストと少しのコストで一致または超過します。
論文 参考訳（メタデータ） (2026-06-22T19:26:38Z) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - SHIFT: Robust Double Machine Learning for Average Dose-Response Functions under Heavy-Tailed Contamination [0.0]
ShiFT(Self-calibrated Heavy-tail Inlier-Fit with Tempering)は、強力なDML推定器である。
代数的非凸性により最適化されたカーネル局所ウェルシュロス第二段階とクロスフィットニュアンス化を組み合わせる。
1400個のメインスウィープにまたがる、競争力のある最悪の形状のリカバリがある。
論文 参考訳（メタデータ） (2026-04-30T19:51:35Z) - Large Language Models as Optimization Controllers: Adaptive Continuation for SIMP Topology Optimization [4.365822392824561]
本稿では,SIMP最適化のためのオンラインコントローラとして,大規模言語モデルが機能するフレームワークを提案する。
ハードグレーネスゲートは未熟なバイナライゼーションを防止し、メタ最適化ループは第2パスを使用してエージェントの呼び出し周波数を調整する。
エージェントはすべてのベンチマークの最終的なコンプライアンスを達成する:$5.7%$から$-1%、すべてのソリューションが完全にバイナリである。
論文 参考訳（メタデータ） (2026-03-26T07:14:31Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
論文 参考訳（メタデータ） (2025-05-19T07:32:56Z) - Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。
i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文 参考訳（メタデータ） (2020-07-16T06:44:44Z)
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。