Fugu-MT 論文翻訳(概要): Supervised Whole DAG Causal Discovery

論文の概要: Supervised Whole DAG Causal Discovery

arxiv url: http://arxiv.org/abs/2006.04697v1
Date: Mon, 8 Jun 2020 15:53:20 GMT
ステータス: 処理完了
システム内更新日: 2022-11-24 00:06:07.638973
Title: Supervised Whole DAG Causal Discovery
Title（参考訳）: 監督された全DAG因果発見
Authors: Hebi Li, Qi Xiao, Jin Tian
Abstract要約: 本稿では,データから因果構造を学習するタスクを教師付きで解決することを提案する。教師付き学習による因果方向学習の既存の作業は、ペアワイズ関係の学習に限られる。そこで本研究では,問題領域によく適合する置換同変モデルを提案する。
参考スコア（独自算出の注目度）: 6.767885381740952
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose to address the task of causal structure learning from data in a supervised manner. Existing work on learning causal directions by supervised learning is restricted to learning pairwise relation, and not well suited for whole DAG discovery. We propose a novel approach of modeling the whole DAG structure discovery as a supervised learning. To fit the problem in hand, we propose to use permutation equivariant models that align well with the problem domain. We evaluate the proposed approach extensively on synthetic graphs of size 10,20,50,100 and real data, and show promising results compared with a variety of previous approaches.
Abstract（参考訳）: 本研究では,教師付きでデータから因果構造学習の課題に対処することを提案する。教師付き学習による因果方向の学習作業は、ペア関係の学習に限られており、DAG全体の発見には適していない。本稿では,DAG構造発見全体を教師あり学習としてモデル化する新しい手法を提案する。この問題に適合するために,問題領域によく適合する置換同変モデルを用いることを提案する。提案手法は,10,20,50,100の合成グラフと実データについて広く評価し,従来手法と比較して有望な結果を示した。

関連論文リスト

On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
複数モーダルな)自己教師付き表現学習のための連続領域における識別確率モデル問題について検討する。我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。
論文参考訳（メタデータ） (2024-10-11T18:02:46Z)
Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
論文参考訳（メタデータ） (2023-06-05T12:20:40Z)
Methods for Recovering Conditional Independence Graphs: A Survey [2.2721854258621064]
条件付き独立グラフ(CIグラフ)は、機能関係に関する洞察を得るために使用される。異なる手法をリストアップし、CIグラフを復元する手法の進歩について研究する。
論文参考訳（メタデータ） (2022-11-13T06:11:38Z)
Contrastive Unsupervised Learning of World Model with Invariant Causal Features [20.116319631571095]
共分散原理を用いて因果的特徴を学習する世界モデルを提案する。対照的な教師なし学習を用いて、不変因果関係の特徴を学習する。提案モデルは最先端のモデルと同等に動作する。
論文参考訳（メタデータ） (2022-09-29T16:49:24Z)
Causality Learning With Wasserstein Generative Adversarial Networks [2.492300648514129]
DAG-WGANという名前のモデルは、ワッサーシュタインに基づく対向損失とオートエンコーダアーキテクチャにおける非巡回性制約を組み合わせたものである。データ生成能力を改善しながら、因果構造を同時に学習する。本稿では,DAG-WGAN と Wsserstein 計量を含まない他のモデルとの比較を行い,その因果構造学習への寄与を明らかにする。
論文参考訳（メタデータ） (2022-06-03T10:45:47Z)
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)
DAG-WGAN: Causal Structure Learning With Wasserstein Generative Adversarial Networks [2.492300648514129]
本稿では、自動エンコーダアーキテクチャであるワッサーシュタインに基づく対向損失と非循環性制約を組み合わせたDAG-WGANを提案する。同時に因果構造を学習し、ワッサーシュタイン距離メートル法から強度を利用することによりデータ生成能力を向上させる。我々はDAG-WGANを最先端技術に対して評価し,その性能を実証した。
論文参考訳（メタデータ） (2022-04-01T12:27:27Z)
Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
論文参考訳（メタデータ） (2021-11-03T22:10:18Z)
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)
S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。