論文の概要: Structure Learning for Cyclic Linear Causal Models

• arxiv url: http://arxiv.org/abs/2006.05978v2
• Date: Wed, 19 Aug 2020 20:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 06:17:18.201564
• Title: Structure Learning for Cyclic Linear Causal Models
• Title（参考訳）: 巡回線形因果モデルのための構造学習
• Authors: Carlos Am\'endola, Philipp Dettling, Mathias Drton, Federica Onori, Jun Wu
• Abstract要約: 観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。 循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。
• 参考スコア（独自算出の注目度）: 5.567377163246147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of structure learning for linear causal models based on observational data. We treat models given by possibly cyclic mixed graphs, which allow for feedback loops and effects of latent confounders. Generalizing related work on bow-free acyclic graphs, we assume that the underlying graph is simple. This entails that any two observed variables can be related through at most one direct causal effect and that (confounding-induced) correlation between error terms in structural equations occurs only in absence of direct causal effects. We show that, despite new subtleties in the cyclic case, the considered simple cyclic models are of expected dimension and that a previously considered criterion for distributional equivalence of bow-free acyclic graphs has an analogue in the cyclic case. Our result on model dimension justifies in particular score-based methods for structure learning of linear Gaussian mixed graph models, which we implement via greedy search.
• Abstract（参考訳）: 観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。 循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。 ボウフリー非巡回グラフに関する関連する研究を一般化し、基礎となるグラフは単純であると仮定する。 これは、2つの観測された変数を少なくとも1つの直接因果効果で関連付けることができ、構造方程式における誤り項間の(共起的)相関は直接因果効果がない場合にのみ起こることを意味する。 循環の場合の新たな微妙さにもかかわらず、単純な巡回モデルが期待される次元であり、従来は弓のない非循環グラフの分布同値性に対する基準が循環の場合に類似していることが示される。 モデル次元に関する我々の結果は、特にスコアに基づく線形ガウス混合グラフモデルの構造学習法を正当化する。

関連論文リスト

• Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
  このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。 我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。 同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
  論文  参考訳（メタデータ） (2024-05-31T14:39:14Z)
• Causal Modeling with Stationary Diffusions [89.94899196106223]
  定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。 古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。 提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
  論文  参考訳（メタデータ） (2023-10-26T14:01:17Z)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
  本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。 我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
  論文  参考訳（メタデータ） (2022-11-04T21:57:39Z)
• Learning Relational Causal Models with Cycles through Relational Acyclification [16.10327013845982]
  本稿では,関係モデルに特化して設計されたテキスト・アサイクリフィケーションを提案する。 リレーショナルアサイクリゼーションと$sigma$-faithfulnessという仮定の下で、リレーショナル因果探索アルゴリズム RCD はサイクリックモデルに対して健全かつ完全であることを示す。
  論文  参考訳（メタデータ） (2022-08-25T17:00:42Z)
• 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)
• A Unified Experiment Design Approach for Cyclic and Acyclic Causal Models [32.88438123861557]
  本研究では,単純なSCMの因果グラフを一意に同定するための実験設計について検討する。 循環グラフと非循環グラフの両方を学習できる実験設計手法を提案する。 この手法は,最悪の場合,因果グラフを一意に識別するために必要な最大の実験のサイズで最適であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:58:41Z)
• Sequential Learning of the Topological Ordering for the Linear Non-Gaussian Acyclic Model with Parametric Noise [6.866717993664787]
  我々はDAGの因果順序を推定するための新しい逐次的アプローチを開発する。 数千のノードを持つケースに対して,我々の手順がスケーラブルであることを示すための,広範な数値的証拠を提供する。
  論文  参考訳（メタデータ） (2022-02-03T18:15:48Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。