論文の概要: Causal Discovery from Incomplete Data: A Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2001.05343v1
• Date: Wed, 15 Jan 2020 14:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 05:46:34.506776
• Title: Causal Discovery from Incomplete Data: A Deep Learning Approach
• Title（参考訳）: 不完全なデータから因果発見:深層学習アプローチ
• Authors: Yuhao Wang, Vlado Menkovski, Hao Wang, Xin Du, Mykola Pechenizkiy
• Abstract要約: 因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。 ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 21.289342482087267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As systems are getting more autonomous with the development of artificial intelligence, it is important to discover the causal knowledge from observational sensory inputs. By encoding a series of cause-effect relations between events, causal networks can facilitate the prediction of effects from a given action and analyze their underlying data generation mechanism. However, missing data are ubiquitous in practical scenarios. Directly performing existing casual discovery algorithms on partially observed data may lead to the incorrect inference. To alleviate this issue, we proposed a deep learning framework, dubbed Imputated Causal Learning (ICL), to perform iterative missing data imputation and causal structure discovery. Through extensive simulations on both synthetic and real data, we show that ICL can outperform state-of-the-art methods under different missing data mechanisms.
• Abstract（参考訳）: 人工知能の発展によりシステムは自律的になりつつあるため、観察感覚入力から因果的知識を発見することが重要である。 イベント間の一連の因果関係を符号化することにより、因果ネットワークは与えられたアクションからの影響の予測を促進し、その基盤となるデータ生成メカニズムを分析することができる。 しかし、実際のシナリオではデータの欠落がユビキタスである。 部分的に観測されたデータ上で既存のカジュアルディスカバリアルゴリズムを直接実行すると、誤った推論につながる可能性がある。 この問題を軽減するため、我々はICL(Imputated Causal Learning)と呼ばれるディープラーニングフレームワークを提案し、反復的欠落データ計算と因果構造探索を行った。 合成データと実データの両方の広範なシミュレーションにより、ICLは、異なる欠落データ機構の下で最先端の手法より優れていることを示す。

関連論文リスト

• Learning to refine domain knowledge for biological network inference [2.209921757303168]
  摂動実験により、生物学者は興味のある変数間の因果関係を発見することができる。 これらのデータの空間性と高次元性は因果構造学習アルゴリズムに重大な課題をもたらす。 そこで本研究では,データ観測に基づくドメイン知識の補修アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T12:53:23Z)
• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Causal disentanglement of multimodal data [1.589226862328831]
  因果関係を持つ重要な特徴を発見するために,マルチモーダルデータと既知の物理を利用する因果表現学習アルゴリズム(causalPIMA)を導入する。 本研究は,完全教師なし環境下で重要な特徴を同時に発見しながら,解釈可能な因果構造を学習する能力を示すものである。
  論文  参考訳（メタデータ） (2023-10-27T20:30:11Z)
• Deception by Omission: Using Adversarial Missingness to Poison Causal Structure Learning [12.208616050090027]
  観測データから因果構造を推定することは因果機械学習の重要な要素である。 これまでの研究では、完全に観察されたトレーニングデータの逆流が、不正確な因果構造モデルの学習に役立てられることが示されている。 本研究は,学習因果構造に偏りを与えるために,敵対者が真の訓練データの一部を欺くような新たな攻撃手法を導入する。
  論文  参考訳（メタデータ） (2023-05-31T17:14:20Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。