| 講演名 | 2015-06-23 因果平滑化を考慮した時系列データからのLasso-Granger因果予測 安部 斉志(筑波大), 佐久間 淳(筑波大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 近年，現実世界の問題に対するサービスは巨大な時系列データを生み出し続けている．因果を決定することは，時系列データの分析において重要な問題の１つである．因果関係とは原因と結果から成るが，一般的に，結果となる事象は原因の後に起こる．ただし，原因となる事象が結果となる事象に影響を与えるまでの時間は分からない．我々は，原因が結果に影響を与えるまでの時間が変化しても，特徴間の因果関係が大きく変化しないことが自然であるというの仮定の下、因果関係を推定する手法を提案する。具体的には、原因が結果に影響を与えるまでの時間が異なる因果同士がどれだけ似ているのかの尺度として因果類似度を定義した．ラッソを用いた因果を予測する手法としてLasso-Granger法が知られているが，この手法に因果類似度を基にした正則化項を導入した手法を提案する．この正則化項によって，影響を与えるまでの時間変化によって因果が大きく変化しないような平滑化された因果を推定する．最後に，実験によって，提案法とLasso-Granger法を比較し，因果平滑化による効果について議論する． |
| 抄録(英) | Recently, various services for real world problems continually produce huge amount of time series data. Determination of causality is one of the important problems in time series data analysis.In general, an effect occurs after the cause. We asuume that causality between variables do not change drastically over time.We introduce a regularization term based on causal similarity into the Lasso Granger method, which is known as a causality estimation method by means of Lasso. Our proposed regularization term allows the estimated causalities to be smoothed changed over time. We show by experimentation the impact of causal smoothing. |
| キーワード(和) | 因果予測 / データ分析 / グレンジャー因果 / 平滑化 |
| キーワード(英) | causality estimation / data analysis / Granger causality / smoothing |
| 資料番号 | IBISML2015-9 |
| 発行日 | 2015-06-16 (IBISML) |
| 研究会情報 | |
| 研究会 | NC / IPSJ-BIO / IBISML / IPSJ-MPS |
|---|---|
| 開催期間 | 2015/6/23(から3日開催) |
| 開催地（和） | 沖縄科学技術大学院大学 |
| 開催地（英） | Okinawa Institute of Science and Technology |
| テーマ（和） | 機械学習によるバイオデータマインニング、一般 |
| テーマ（英） | Machine Learning Approach to Biodata Mining, and General |
| 委員長氏名（和） | 斎藤 利通(法政大) / 関嶋 政和(東工大) / 鷲尾 隆(阪大) / 庄野 逸(電通大) |
| 委員長氏名（英） | Toshimichi Saito(Hosei Univ.) / Masakazu Sekijima(東工大) / Takashi Washio(Osaka Univ.) / Hayaru Shouno(電通大) |
| 副委員長氏名（和） | 佐藤 茂雄(東北大) / / 福水 健次(統計数理研) / 杉山 将(東工大) |
| 副委員長氏名（英） | Shigeo Sato(Tohoku Univ.) / / Kenji Fukumizu(ISM) / Masashi Sugiyama(Tokyo Inst. of Tech.) |
| 幹事氏名（和） | 堀尾 恵一(九工大) / 田中 宏喜(京都産大) / 大羽 成征(京大) / 瀬々 潤(お茶の水女子大) / 吉本 潤一郎(OIST) / 松井 知子(統計数理研) / 大羽 成征(京大) / 小野 智司(鹿児島大) / 但馬 康宏(岡山県立大) / 林田 守広(京大) / 岩田 具治(NTT) / 吉田 哲也(北大) / 松田 健(静岡理工科大) |
| 幹事氏名（英） | Keiichi Horio(Kyushu Inst. of Tech.) / Hiroki Tanaka(Kyoto Sangyo Univ.) / Shigeyuki Oba(京大) / Jun Sese(お茶の水女子大) / Junichiro Yoshimoto(OIST) / Tomoko Matsui(ISM) / Shigeyuki Ohba(Kyoto Univ.) / Satoshi Ono(鹿児島大) / Yasuhiro Tajima(岡山県立大) / Morihiro Hayashida(京大) / Tomoharu Iwata(NTT) / Tetsuya Yoshida(北大) / Takeshi Matsuda(静岡理工科大) |
| 幹事補佐氏名（和） | 神原 裕行(東工大) / 秋間 学尚(東北大) / / 津田 宏治(東大) / 鹿島 久嗣(京大) |
| 幹事補佐氏名（英） | Hiroyuki Kanbara(Tokyo Inst. of Tech.) / Hisanao Akima(Tohoku Univ.) / / Koji Tsuda(Univ. of Tokyo) / Hisashi Kashima(Kyoto Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Neurocomputing / Special Interest Group on Bioinformatics and Genomics / Technical Committee on Infomation-Based Induction Sciences and Machine Learning / Special Interest Group on Mathematical Modeling and Problem Solving |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 因果平滑化を考慮した時系列データからのLasso-Granger因果予測 |
| サブタイトル（和） | |
| タイトル（英） | Lasso Granger Causality Estimation Considering Smoothness of Causality from Time Series Data |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 因果予測 / causality estimation |
| キーワード(2)（和/英） | データ分析 / data analysis |
| キーワード(3)（和/英） | グレンジャー因果 / Granger causality |
| キーワード(4)（和/英） | 平滑化 / smoothing |
| 第 1 著者 氏名（和/英） | 安部 斉志 / Hitoshi Abe |
| 第 1 著者 所属（和/英） | 筑波大学(略称：筑波大) Tsukuba University(略称：Tsukuba Univ.) |
| 第 2 著者 氏名（和/英） | 佐久間 淳 / Jun Sakuma |
| 第 2 著者 所属（和/英） | 筑波大学(略称：筑波大) Tsukuba University(略称：Tsukuba Univ.) |
| 発表年月日 | 2015-06-23 |
| 資料番号 | IBISML2015-9 |
| 巻番号（vol） | vol.115 |
| 号番号（no） | IBISML-112 |
| ページ範囲 | pp.55-62(IBISML), |
| ページ数 | 8 |
| 発行日 | 2015-06-16 (IBISML) |