論文の概要: Parallel ensemble methods for causal direction inference
- arxiv url: http://arxiv.org/abs/2006.03231v1
- Date: Fri, 5 Jun 2020 05:07:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 03:26:48.891591
- Title: Parallel ensemble methods for causal direction inference
- Title（参考訳）: 因果方向推定のための並列アンサンブル法
- Authors: Yulai Zhang, Jiachen Wang, Gang Cen, and Guiming Luo
- Abstract要約: 因果方向推論アルゴリズムは、観測データをxがy、yがxを引き起こす2進値にマッピングする。
並列アンサンブルフレームワークを用いることで、因果方向推定の精度を大幅に向上することができる。
- 参考スコア（独自算出の注目度）: 3.6681974933183956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring the causal direction between two variables from their observation
data is one of the most fundamental and challenging topics in data science. A
causal direction inference algorithm maps the observation data into a binary
value which represents either x causes y or y causes x. The nature of these
algorithms makes the results unstable with the change of data points. Therefore
the accuracy of the causal direction inference can be improved significantly by
using parallel ensemble frameworks. In this paper, new causal direction
inference algorithms based on several ways of parallel ensemble are proposed.
Theoretical analyses on accuracy rates are given. Experiments are done on both
of the artificial data sets and the real world data sets. The accuracy
performances of the methods and their computational efficiencies in parallel
computing environment are demonstrated.
- Abstract（参考訳）: 観測データから2変数間の因果方向を推定することは、データサイエンスにおける最も基本的で困難なトピックの1つである。
因果方向推定アルゴリズムは、観測データを、xがyまたはyを原因とする2値にマッピングする。
これらのアルゴリズムの性質は、データポイントの変化によって結果が不安定になる。
したがって、並列アンサンブルフレームワークを用いて因果方向推定の精度を大幅に向上させることができる。
本稿では,複数種類の並列アンサンブルに基づく新たな因果方向推論アルゴリズムを提案する。
精度に関する理論的分析が与えられる。
実験は、人工データセットと実世界のデータセットの両方で行われます。
並列計算機環境における手法の精度と計算効率を実証した。
関連論文リスト
- Distributed Linear Regression with Compositional Covariates [5.085889377571319]
大規模合成データにおける分散スパースペナル化線形ログコントラストモデルに着目する。
2つの異なる制約凸最適化問題を解くために2つの分散最適化手法を提案する。
分散化されたトポロジでは、通信効率の高い正規化推定値を得るための分散座標ワイド降下アルゴリズムを導入する。
論文 参考訳（メタデータ） (2023-10-21T11:09:37Z) - On the Effects of Data Heterogeneity on the Convergence Rates of Distributed Linear System Solvers [9.248526557884498]
本稿では,タスクマスターと機械の集合によって分散的あるいは連合的に線形方程式の大規模系を解く問題を考察する。
我々は、この問題を解決するためによく知られたアルゴリズムの2つのクラス、すなわち射影法と最適化法を比較した。
論文 参考訳（メタデータ） (2023-04-20T20:48:00Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳（メタデータ） (2022-02-11T13:51:30Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - Algorithms for Solving Nonlinear Binary Optimization Problems in Robust
Causal Inference [2.169755083801688]
連続的な結果を持つ観測データから、堅牢な因果推論テストインスタンスを解くための勾配アルゴリズムを提案する。
実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。
論文 参考訳（メタデータ） (2020-12-22T16:12:11Z) - Kernel Smoothing, Mean Shift, and Their Learning Theory with Directional
Data [2.8935588665357077]
本稿では,方向データに対するカーネル平滑化の統計的および計算的問題について検討する。
我々は、古典平均シフトアルゴリズムを指向性データに一般化し、指向性カーネル密度推定器(KDE)の局所モードを同定する。
論文 参考訳（メタデータ） (2020-10-23T01:53:47Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem
Formulation [53.850686395708905]
イベントベースのカメラは、ピクセルごとの明るさ変化の非同期ストリームを記録する。
本稿では,イベントデータからの表現学習のための単一層アーキテクチャに焦点を当てる。
我々は,最先端手法と比較して,認識精度が最大9%向上したことを示す。
論文 参考訳（メタデータ） (2020-09-23T10:40:03Z) - Meta Learning for Causal Direction [29.00522306460408]
小型データ設定における原因と効果の区別を可能にする新しい生成モデルを提案する。
提案手法は, 各種合成データと実世界のデータを用いて実証し, 種々のデータセットサイズにおける方向検出の精度を高い精度で維持可能であることを示す。
論文 参考訳（メタデータ） (2020-07-06T15:12:05Z) - Understanding the Effects of Data Parallelism and Sparsity on Neural
Network Training [126.49572353148262]
ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。
有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
論文 参考訳（メタデータ） (2020-03-25T10:49:22Z)
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。