論文の概要: Active Learning of Causal Structures with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2009.03009v1
• Date: Mon, 7 Sep 2020 10:49:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 02:22:32.033775
• Title: Active Learning of Causal Structures with Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習による因果構造の能動的学習
• Authors: Amir Amirinezhad, Saber Salehkaleybar, Matin Hashemi
• Abstract要約: 介入データから因果構造を学習するための実験設計の問題について検討する。 実験設計の課題に対して,最初の深層強化学習に基づく解法を提案する。
• 参考スコア（独自算出の注目度）: 13.202747831999414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of experiment design to learn causal structures from interventional data. We consider an active learning setting in which the experimenter decides to intervene on one of the variables in the system in each step and uses the results of the intervention to recover further causal relationships among the variables. The goal is to fully identify the causal structures with minimum number of interventions. We present the first deep reinforcement learning based solution for the problem of experiment design. In the proposed method, we embed input graphs to vectors using a graph neural network and feed them to another neural network which outputs a variable for performing intervention in each step. Both networks are trained jointly via a Q-iteration algorithm. Experimental results show that the proposed method achieves competitive performance in recovering causal structures with respect to previous works, while significantly reducing execution time in dense graphs.
• Abstract（参考訳）: 介入データから因果構造を学習するための実験設計の問題について検討する。 実験者は,各ステップにおけるシステム内の変数の1つに介入することを決定し,その介入の結果を用いて変数間の因果関係を回復するアクティブラーニング設定を考える。 目標は、最小限の介入で因果構造を完全に特定することである。 実験設計の課題に対して,最初の深層強化学習に基づく解法を提案する。 提案手法では,入力グラフをグラフニューラルネットワークを用いてベクトルに埋め込み,それを別のニューラルネットワークに供給し,各ステップで介入を行う変数を出力する。 どちらのネットワークもQ-イテレーションアルゴリズムによって共同で訓練される。 実験の結果, 提案手法は, 従来手法に比べて因果構造回復における競合性能が向上すると同時に, 密集グラフの実行時間を著しく削減できることがわかった。

関連論文リスト

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement Learning [2.7446241148152253]
  COREは、因果発見と介入計画のための強化学習に基づくアプローチである。 その結果,COREは未知のグラフに一般化し,因果構造を効率的に発見できることがわかった。 COREは最大10変数のグラフにスケールし、構造推定精度とサンプル効率において既存のアプローチより優れている。
  論文  参考訳（メタデータ） (2024-01-30T12:57:52Z)
• 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)
• Near-Optimal Multi-Perturbation Experimental Design for Causal Structure Learning [0.0]
  因果構造は、興味あるシステムで実験を行うことで学習することができる。 我々は、複数の変数に同時に介入する実験を設計する、ほとんど探索されていない問題に対処する。
  論文  参考訳（メタデータ） (2021-05-28T18:00:00Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)
• Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
  検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。 また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-04-17T20:21:47Z)
• Latent Network Structure Learning from High Dimensional Multivariate Point Processes [5.079425170410857]
  本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。 効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。 シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-04-07T17:48:01Z)

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。