Fugu-MT 論文翻訳(概要): A polynomial-time algorithm for learning nonparametric causal graphs

論文の概要: A polynomial-time algorithm for learning nonparametric causal graphs

arxiv url: http://arxiv.org/abs/2006.11970v2
Date: Tue, 10 Nov 2020 21:35:55 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 05:29:11.062432
Title: A polynomial-time algorithm for learning nonparametric causal graphs
Title（参考訳）: 非パラメトリック因果グラフ学習のための多項式時間アルゴリズム
Authors: Ming Gao, Yi Ding, Bryon Aragam
Abstract要約: この分析はモデルフリーであり、線形性、付加性、独立ノイズ、忠実さを前提としない。我々は、同値な分散を持つ線形模型の以前の研究と密接に関連する残差に条件を課す。
参考スコア（独自算出の注目度）: 18.739085486953698
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We establish finite-sample guarantees for a polynomial-time algorithm for learning a nonlinear, nonparametric directed acyclic graphical (DAG) model from data. The analysis is model-free and does not assume linearity, additivity, independent noise, or faithfulness. Instead, we impose a condition on the residual variances that is closely related to previous work on linear models with equal variances. Compared to an optimal algorithm with oracle knowledge of the variable ordering, the additional cost of the algorithm is linear in the dimension $d$ and the number of samples $n$. Finally, we compare the proposed algorithm to existing approaches in a simulation study.
Abstract（参考訳）: データから非線形非パラメトリック有向非巡回グラフ(DAG)モデルを学習するための多項式時間アルゴリズムの有限サンプル保証を確立する。解析はモデルフリーであり、線形性、付加性、独立ノイズ、忠実性を仮定しない。代わりに、同じ分散を持つ線形モデルにおける以前の仕事と密接に関連した残差分散に条件を課す。可変順序付けに関するoracleの知識を持つ最適なアルゴリズムと比較すると、アルゴリズムの追加コストは次元$d$とサンプル数$n$で線形である。最後に,提案手法と既存手法との比較を行った。

関連論文リスト

A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
論文参考訳（メタデータ） (2024-09-07T06:37:23Z)
Stochastic Optimization Algorithms for Instrumental Variable Regression with Streaming Data [17.657917523817243]
この問題を条件付き最適化問題とみなして,器用変分回帰のためのアルゴリズムを開発し,解析する。最小二乗変数回帰の文脈では、我々のアルゴリズムは行列逆転やミニバッチを必要としない。任意の$iota>0$に対して$mathcalO(log T/T)$と$mathcalO(1/T1-iota)$の順の収束率を導出する。
論文参考訳（メタデータ） (2024-05-29T19:21:55Z)
Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。異なる時系列変数間の非線形相互作用を含む。実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
論文参考訳（メタデータ） (2023-09-29T11:42:59Z)
The Power of Learned Locally Linear Models for Nonlinear Policy Optimization [26.45568696453259]
本稿では,一般的な非線形システムに対する簡易な戦略の厳密な分析を行う。非線形系力学の局所線形モデルの推定と$mathttiLQR$のようなポリシー更新の繰り返しを行うアルゴリズムを解析する。
論文参考訳（メタデータ） (2023-05-16T17:13:00Z)
Online Learning Under A Separable Stochastic Approximation Framework [20.26530917721778]
分離可能な近似フレームワークを用いて,機械学習モデルのクラスに対するオンライン学習アルゴリズムを提案する。提案アルゴリズムは,他の一般的な学習アルゴリズムと比較して,より堅牢でテスト性能が高いことを示す。
論文参考訳（メタデータ） (2023-05-12T13:53:03Z)
Implicit Parameter-free Online Learning with Truncated Linear Models [51.71216912089413]
パラメータフリーアルゴリズムは、設定された学習率を必要としないオンライン学習アルゴリズムである。そこで我々は,「単純」なフレーバーを持つ新しい更新によって,切り離された線形モデルを活用できる新しいパラメータフリーアルゴリズムを提案する。後悔の新たな分解に基づいて、新しい更新は効率的で、各ステップで1つの勾配しか必要とせず、切り捨てられたモデルの最小値をオーバーシュートすることはない。
論文参考訳（メタデータ） (2022-03-19T13:39:49Z)
Sample Complexity Bounds for Two Timescale Value-based Reinforcement Learning Algorithms [65.09383385484007]
2つの時間スケール近似(SA)は、値に基づく強化学習アルゴリズムで広く使われている。本稿では,2つの時間スケール線形および非線形TDCとGreedy-GQアルゴリズムの漸近収束率について検討する。
論文参考訳（メタデータ） (2020-11-10T11:36:30Z)
Adaptive Online Estimation of Piecewise Polynomial Trends [23.91519151164528]
我々は,2乗誤差損失と雑音勾配フィードバックを伴う非定常最適化の枠組みを考察する。非パラメトリック回帰理論から動機づけられた新しい変分制約を導入する。我々は、同じ方針が、他のいくつかの非パラメトリックな関心の族に最適であることを示す。
論文参考訳（メタデータ） (2020-09-30T19:30:28Z)
Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文参考訳（メタデータ） (2020-02-20T10:50:58Z)
Multiscale Non-stationary Stochastic Bandits [83.48992319018147]
本稿では,非定常線形帯域問題に対して,Multiscale-LinUCBと呼ばれる新しいマルチスケール変更点検出法を提案する。実験結果から,提案手法は非定常環境下での他の最先端アルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2020-02-13T00:24:17Z)
WICA: nonlinear weighted ICA [72.02008296553318]
独立成分分析(ICA)は、データのコンポーネントが独立している座標系を見つけることを目的としている。我々は、WICAと呼ばれる新しい非線形ICAモデルを構築し、他のアルゴリズムよりも優れた、より安定した結果を得る。
論文参考訳（メタデータ） (2020-01-13T10:38:03Z)

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。