論文の概要: Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data

• arxiv url: http://arxiv.org/abs/2006.10833v3
• Date: Mon, 21 Feb 2022 19:31:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 13:05:55.329020
• Title: Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data
• Title（参考訳）: Amortized Causal Discovery: 時系列データから因果グラフを推論する学習
• Authors: Sindy L\"owe, David Madras, Richard Zemel, Max Welling
• Abstract要約: 本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 63.15776078733762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On time-series data, most causal discovery methods fit a new model whenever they encounter samples from a new underlying causal graph. However, these samples often share relevant information which is lost when following this approach. Specifically, different samples may share the dynamics which describe the effects of their causal relations. We propose Amortized Causal Discovery, a novel framework that leverages such shared dynamics to learn to infer causal relations from time-series data. This enables us to train a single, amortized model that infers causal relations across samples with different underlying causal graphs, and thus leverages the shared dynamics information. We demonstrate experimentally that this approach, implemented as a variational model, leads to significant improvements in causal discovery performance, and show how it can be extended to perform well under added noise and hidden confounding.
• Abstract（参考訳）: 時系列データでは、ほとんどの因果探索法は、新しい因果グラフのサンプルに遭遇するたびに新しいモデルに適合する。 しかし、これらのサンプルはしばしば、このアプローチに従えば失われる関連する情報を共有する。 特に、異なるサンプルは、それらの因果関係の影響を記述するダイナミクスを共有することができる。 時系列データから因果関係を推定するために,そのような共有ダイナミクスを活用する新しいフレームワークであるAmortized Causal Discoveryを提案する。 これにより、異なる下位因果グラフを持つサンプル間で因果関係を推論し、共有ダイナミクス情報を活用する、単一の償却モデルのトレーニングが可能になります。 我々は,このアプローチが変分モデルとして実装され,因果発見性能の大幅な向上をもたらすことを実験的に証明し,追加ノイズと隠れた共起条件下でうまく機能するように拡張する方法を示す。

関連論文リスト

• Embracing the black box: Heading towards foundation models for causal discovery from time series data [8.073449277052495]
  因果事前学習(Causal Pretraining)は、時系列から根底にある因果グラフへの直接マッピングを教師付きで学習することを目的とした方法論である。 我々の経験から,トレーニングとテスト時系列のサンプルがそれらのダイナミクスの大部分を共有していると仮定して,教師付き方法で因果発見が可能であることが示唆された。 因果的に事前学習されたニューラルネットワークを用いた実世界のデータに対する因果発見が限界の範囲内で可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T16:49:13Z)
• Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
  我々は、古典因果探索アルゴリズムの出力からより大きな因果グラフを予測することを学ぶ教師付きモデルを訓練する。 我々のアプローチは、古典的手法の出力における典型的なエラーがデータセット間で比較できるという観察によって実現されている。 実データおよび合成データに関する実験では、このモデルが不特定性や分布シフトに直面して高い精度を維持することを示した。
  論文  参考訳（メタデータ） (2024-02-02T21:57:58Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Discovering Mixtures of Structural Causal Models from Time Series Data [23.18511951330646]
  基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。 このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。 本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-10T05:13:10Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Rhino: Deep Causal Temporal Relationship Learning With History-dependent Noise [13.709618907099783]
  我々はRhinoと呼ばれる時系列データのための新しい因果関係学習フレームワークを提案する。 Rhinoはベクトル自己回帰、深層学習、変分推論を組み合わせて、瞬時効果と非線形関係をモデル化する。 理論的には、Rhinoの構造的識別可能性を証明する。
  論文  参考訳（メタデータ） (2022-10-26T13:33:58Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。