概要 - テンソル分解を用いた時系列因果表現学習への道

タイトル
テンソル分解を用いた時系列因果表現学習への道

時間
2025-07-18 17:55:42

著者
{"Jianhong Chen","Meng Zhao","Mostafa Reisi Gahrooei","Xubo Yue"}

カテゴリ
{cs.LG,cs.AI,stat.ML}

リンク
http://arxiv.org/abs/2507.14126v1

PDF リンク
http://arxiv.org/pdf/2507.14126v1

概要

以下は、提供された英文の要約を日本語に翻訳したものです： **課題と動機**： * 多くの現実のデータセットは高次元で不規則な構造を持っており、従来の因果発見手法の適用が難しい。 * 現在の方法は、因果構造学習とテンソル分解を統合するのに苦労し、最適な結果を導き出せない。 **CaRTeD フレームワーク**： * **統合学習**：CaRTeD は、不規則なテンソル分解と時系列因果表現学習を原理的に組み合わせる。 * **新しい因果構造**：潜在的なクラスタに対する新しい因果構造を導入し、同時的および時系列的因果関係を両方に対応させる。 * **柔軟な正則化**：フレームワークは、テンソル分解を強化し、性能を向上させるためのより柔軟な正則化設計を提供する。 * **下流タスク**：CaRTeD は、潜在的な構造のモデル化や学習したテンソル因数からの因果情報の抽出などの下流タスクのための基礎となる蓝图を提供する。 **手法**： * **ブロック座標降下法（BCD）**：CaRTeD は、テンソルと因果ブロックを反復的に更新するために BCD を使用する。 * **交替最適化（AO）**：テンソルブロック内の PARAFAC2 因子分解を解くために AO が採用される。 * **ADMM**：テンソルと因果ブロックの最適化問題を解くために ADMM が使用される。 **理論的分析**： * 研究論文は、非凸の制約を持つ非凸最適化問題の理論的な収束分析を提供する。 * 算法が停止点に収束することを示し、不規則なテンソル分解のための理論的な保証のギャップを埋める。 **実験結果**： * 著者たちは、合成データセットと現実のデータセット（例えば、MIMIC-III電子健康記録データセット）の両方で CaRTeD を評価し、それを最新の手法と比較した。 * それらは、精度と因果表現の説明可能さの面で、CaRTeD が優れていることを示した。 **結論**： CaRTeD は、不規則なテンソルデータから時系列因果表現を学習するための革新的で効果的なフレームワークです。高次元で不規則な構造を持つデータの分析や、意味のあるクラスタと因果関係の抽出に直面する課題を解決します。このフレームワークは、医療、ゲノミクス、金融など、さまざまな分野に適用される可能性があります。


推奨論文

ツイートを用いた混合専門家による説明可能な株価予測の学習

草のゲノムにおける広範な遠縁 introgression

時領域におけるマクスウェル方程式の安定化二段階法式

ドブズ対ジャクソン事件後のGoogle検索広告

DENSE: 病院訪問を横断する多様な臨床記録の時系列モデリングを用いた長期的な進捗ノート生成

PINNsと画像分類のための動的学習率スケジュールを用いた神経ネットワークトレーニングの改善

予算制約下での長期資産管理のための階層的ディープレインforcement learningフレームワーク

RoadBench：道路損傷理解のためのビジョン言語基盤モデルとベンチマーク

自己進化エージェントの調査：人工超知能への道

脊椎側弯診断のための深層学習モデルの多施設認証