Successfully reported this slideshow.
Upcoming SlideShare
×

# [DL輪読会]Economy stastistical recurrent units for inferring nonlinear granger causality

774 views

Published on

2020/01/17
Deep Learning JP:
http://deeplearning.jp/seminar-2/

Published in: Technology
• Full Name
Comment goes here.

Are you sure you want to Yes No
• My personal experience with research paper writing services was highly positive. I sent a request to ⇒ www.WritePaper.info ⇐ and found a writer within a few minutes. Because I had to move house and I literally didn’t have any time to sit on a computer for many hours every evening. Thankfully, the writer I chose followed my instructions to the letter. I know we can all write essays ourselves. For those in the same situation I was in, I recommend ⇒ www.WritePaper.info ⇐.

Are you sure you want to  Yes  No

### [DL輪読会]Economy stastistical recurrent units for inferring nonlinear granger causality

1. 1. 1 DEEP LEARNING JP [DL Papers] http://deeplearning.jp/ ECONOMY STATISTICAL RECURRENT UNITS FOR INFERRING NONLINEAR GRANGER CAUSALITY Akitoshi Kimura, Taniguchi Lab, Waseda University
2. 2. 書誌情報 • 著者: – Saurabh Khanna • Department of Electrical and Computer Engineering, National University of Singapore – Vincent Y. F. Tan • Department of Electrical and Computer Engineering, Department of Mathematics, National University of Singapore • 学会: – ICLR 2020, Accept (Poster) 2
3. 3. 概要 • 非線形な相互作用を持つ確率過程における Granger 因果性 • Statistical Recurrent Unit (SRU) network のパラメータを penalized mean squared prediction error loss で推定 • (Overfitting を避けるために) Economy SRU を提案 • 各種実験で, MLP, LSTM, TCDF より良好な結果 3
4. 4. 背景: Granger 因果性 • 変数 A の予測誤差が, 予測モデルに変数 B を入れると減少する とき「B から A の Granger 因果性が存在する」という – 通常 VAR モデルの OLS 残差を比較検討する (Causality test) 4
5. 5. モデル • 非線形自己相関モデル – (線形) VAR モデルの拡張になっている 5
6. 6. 非線形動的システムにおける Granger 因果性 • 任意の , 任意の異なる , に対し, が成り立つとき「j から I への Granger 因果性を持たない」 • をパラメータ付けされた近似関数 で置き換える – : の全パラメータ – MLP, LSTM, TCDF, SRU, eSRU 6
7. 7. SRU Model 7
8. 8. SRU Model • Scales: 8
9. 9. SRU Model におけるパラメータ推定 : の第 j 列 – もし 0 であれば,「j から I への Granger 因果性を持たない」 9
10. 10. eSUR: フィードバックの低次元化 = 10
11. 11. eSUR: グループスパース正則化 • Time-localized, component-specific などの, 現実世界における因 果効果の特徴を捉える 11
12. 12. グループスパース正則化概念図 • 各 time scale で少数の に依存するよう制約 12
13. 13. 実験 1 • Lorenz-96 model – 気候科学におけるモデリング、予測に使われる 13
14. 14. 実験 2 • VAR(3) モデル 14
15. 15. 実験 3 • 脳の各領域 (n=15) での血液酸素レベル依存イメージング – 脳の神経活動の因果性推定 15
16. 16. 実験 4 • DREAM-3 IN SILICO NETWORK INFERENCE CHALLENGE – 遺伝子調節ネットワークの推定 16