論文の概要: Differentiable Causal Discovery from Interventional Data

• arxiv url: http://arxiv.org/abs/2007.01754v2
• Date: Tue, 3 Nov 2020 20:43:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 04:44:59.096518
• Title: Differentiable Causal Discovery from Interventional Data
• Title（参考訳）: インターベンショナルデータからの識別可能な因果発見
• Authors: Philippe Brouillard, S\'ebastien Lachapelle, Alexandre Lacoste, Simon Lacoste-Julien, Alexandre Drouin
• Abstract要約: 本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
• 参考スコア（独自算出の注目度）: 141.41931444927184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning a causal directed acyclic graph from data is a challenging task that involves solving a combinatorial problem for which the solution is not always identifiable. A new line of work reformulates this problem as a continuous constrained optimization one, which is solved via the augmented Lagrangian method. However, most methods based on this idea do not make use of interventional data, which can significantly alleviate identifiability issues. This work constitutes a new step in this direction by proposing a theoretically-grounded method based on neural networks that can leverage interventional data. We illustrate the flexibility of the continuous-constrained framework by taking advantage of expressive neural architectures such as normalizing flows. We show that our approach compares favorably to the state of the art in a variety of settings, including perfect and imperfect interventions for which the targeted nodes may even be unknown.
• Abstract（参考訳）: データから因果有向非巡回グラフを学習することは、解が必ずしも識別できない組合せ問題を解くことを伴う難しい課題である。 新しい作業ラインでは、この問題を連続的な制約付き最適化として再構成し、拡張ラグランジアン法によって解く。 しかし、この考え方に基づくほとんどの方法は介入データを使用しないため、識別可能性の問題を大幅に軽減することができる。 この研究は、介入データを活用できるニューラルネットワークに基づく理論的に根拠のある手法を提案することで、この方向の新しいステップを構成する。 フローの正規化のような表現力のあるニューラルアーキテクチャを活用し,継続的な制約付きフレームワークの柔軟性を示す。 このアプローチは,対象ノードが未知である可能性のある完全かつ不完全な介入を含む,さまざまな設定において,芸術の状況と好適に比較できることを示す。

関連論文リスト

• ExDBN: Exact learning of Dynamic Bayesian Networks [2.2499166814992435]
  本稿では,データから因果学習を行うためのスコアベースの学習手法を提案する。 提案手法は, 最大25の時系列の小型・中規模の合成インスタンスに適用した場合, 優れた結果が得られた。 バイオサイエンスとファイナンスにおける2つの興味深い応用は、この方法を直接適用することで、高度に正確でグローバルに収束した解法を開発する機会をさらに強調するものである。
  論文  参考訳（メタデータ） (2024-10-21T15:27:18Z)
• Deep Neural Network for Constraint Acquisition through Tailored Loss Function [0.0]
  データから制約を学習することの重要性は、実世界の問題解決における潜在的な応用によって裏付けられている。 この研究は、シンボリック回帰に基づくディープニューラルネットワーク(DNN)に基づく新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2024-03-04T13:47:33Z)
• Curriculum-Enhanced Residual Soft An-Isotropic Normalization for Over-smoothness in Deep GNNs [4.468525856678543]
  本稿では,ノード埋め込みの多様性を保ち,過密性による不識別を防止するためのソフトグラフ正規化手法を提案する。 また, ディープGNNの最適化を向上するために, ラベル平滑な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-13T15:42:14Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Learning with Algorithmic Supervision via Continuous Relaxations [19.437400671428737]
  エンドツーエンドのトレーニング可能なニューラルネットワークアーキテクチャにアルゴリズムを統合するアプローチを提案する。 有意義な勾配を得るために、各変数はロジスティック分布を介して摂動される。 提案した連続緩和モデルを4つの課題に対して評価し,各課題に特化して設計された緩和に追従できることを示す。
  論文  参考訳（メタデータ） (2021-10-11T23:52:42Z)
• 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)
• On the Treatment of Optimization Problems with L1 Penalty Terms via Multiobjective Continuation [0.0]
  本稿では,線形・非線形最適化におけるスパース性の影響を詳細に把握するアルゴリズムを提案する。 本手法は非線形の場合に対する線形回帰問題に対するよく知られたホモトピー法の一般化と見なすことができる。
  論文  参考訳（メタデータ） (2020-12-14T13:00:50Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)

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。