論文の概要: Causal Structure Discovery from Distributions Arising from Mixtures of
DAGs
- arxiv url: http://arxiv.org/abs/2001.11940v2
- Date: Sun, 9 Aug 2020 15:40:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 05:52:26.264082
- Title: Causal Structure Discovery from Distributions Arising from Mixtures of
DAGs
- Title(参考訳): DAGの混合から生じる分布からの因果構造発見
- Authors: Basil Saeed, Snigdha Panigrahi, Caroline Uhler
- Abstract要約: それぞれのモデルが有向非巡回グラフ(DAG)で表される因果モデルから生じる分布を考察する。
これらのアルゴリズムは, 成分DAGの「ユニオン」を復元し, 成分DAG間の条件分布が異なる変数を同定可能であることを示す。
直近の応用として、各混合成分に応じてサンプルをクラスタリングするために、この因果情報の検索がどのように利用できるかを示す。
- 参考スコア(独自算出の注目度): 12.12755951035594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider distributions arising from a mixture of causal models, where each
model is represented by a directed acyclic graph (DAG). We provide a graphical
representation of such mixture distributions and prove that this representation
encodes the conditional independence relations of the mixture distribution. We
then consider the problem of structure learning based on samples from such
distributions. Since the mixing variable is latent, we consider causal
structure discovery algorithms such as FCI that can deal with latent variables.
We show that such algorithms recover a "union" of the component DAGs and can
identify variables whose conditional distribution across the component DAGs
vary. We demonstrate our results on synthetic and real data showing that the
inferred graph identifies nodes that vary between the different mixture
components. As an immediate application, we demonstrate how retrieval of this
causal information can be used to cluster samples according to each mixture
component.
- Abstract(参考訳): 本研究では,各モデルが有向非巡回グラフ(DAG)で表される因果モデルの混合から生じる分布について考察する。
このような混合分布のグラフィカル表現を提供し、この表現が混合分布の条件付き独立関係を符号化することを示す。
次に,このような分布からのサンプルに基づく構造学習の問題を考える。
混合変数は潜時であるため、潜時変数に対処できるFCIなどの因果構造探索アルゴリズムを検討する。
これらのアルゴリズムは, 成分DAGの「統一」を復元し, 成分DAG間の条件分布が異なる変数を同定可能であることを示す。
本研究では,合成および実データを用いて,推定されたグラフが異なる混合成分間で異なるノードを識別することを示す。
直近の応用として,各混合成分に応じてサンプルをクラスタリングするために,この因果情報の検索方法を示す。
関連論文リスト
- Synthetic Potential Outcomes and Causal Mixture Identifiability [9.649642656207869]
異種性は、類似性の異なる概念に従って集団をグループ化することで、複数のレベルで解決することができる。
本稿では,システムに対する介入や摂動の因果反応に関するグループ化を提案する。
論文 参考訳(メタデータ) (2024-05-29T16:05:57Z) - Graph Invariant Learning with Subgraph Co-mixup for Out-Of-Distribution
Generalization [51.913685334368104]
本稿では,変分パターンと変分パターンの混合戦略に基づく新しいグラフ不変学習手法を提案する。
本手法は, 各種分布シフト下での最先端性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-12-18T07:26:56Z) - On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
本稿では,グラフ畳み込みと混合手法の関係について検討する。
2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。
グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
論文 参考訳(メタデータ) (2023-09-29T23:09:54Z) - Bayesian Causal Inference in Doubly Gaussian DAG-probit Models [0.0]
ガウスDAG-プロビットモデルの概念を2つの群と2つのガウスDAG-プロビットモデルで導入する。
提案手法を総合シミュレーション実験により検証し、2つの実データに適用した。
論文 参考訳(メタデータ) (2023-04-12T16:57:47Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Latent Space Diffusion Models of Cryo-EM Structures [6.968705314671148]
我々は、CryoDRGNフレームワークにおいて、表現的で学習可能な拡散モデルをトレーニングする。
データ分布の正確なモデルを学習することにより、生成モデリング、サンプリング、分布解析のツールを解放する。
論文 参考訳(メタデータ) (2022-11-25T15:17:10Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳(メタデータ) (2022-02-05T08:21:04Z) - A Robust and Flexible EM Algorithm for Mixtures of Elliptical
Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。
楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。
合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文 参考訳(メタデータ) (2022-01-28T10:01:37Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳(メタデータ) (2020-09-24T19:34:37Z)
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。