論文の概要: Estimation of Structural Causal Model via Sparsely Mixing Independent Component Analysis

• arxiv url: http://arxiv.org/abs/2009.03077v1
• Date: Mon, 7 Sep 2020 13:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 02:31:32.805642
• Title: Estimation of Structural Causal Model via Sparsely Mixing Independent Component Analysis
• Title（参考訳）: 疎混合独立成分分析による構造因果モデルの推定
• Authors: Kazuharu Harada and Hironori Fujisawa
• Abstract要約: 非ガウス雑音を持つ線形DAGモデルの新しい推定法を提案する。 提案手法により,因果順序とパラメータを同時に推定できる。 数値実験により,提案手法は既存手法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 4.7210697296108926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of inferring the causal structure from observational data, especially when the structure is sparse. This type of problem is usually formulated as an inference of a directed acyclic graph (DAG) model. The linear non-Gaussian acyclic model (LiNGAM) is one of the most successful DAG models, and various estimation methods have been developed. However, existing methods are not efficient for some reasons: (i) the sparse structure is not always incorporated in causal order estimation, and (ii) the whole information of the data is not used in parameter estimation. To address {these issues}, we propose a new estimation method for a linear DAG model with non-Gaussian noises. The proposed method is based on the log-likelihood of independent component analysis (ICA) with two penalty terms related to the sparsity and the consistency condition. The proposed method enables us to estimate the causal order and the parameters simultaneously. For stable and efficient optimization, we propose some devices, such as a modified natural gradient. Numerical experiments show that the proposed method outperforms existing methods, including LiNGAM and NOTEARS.
• Abstract（参考訳）: 本稿では,観測データから因果構造を推定する問題について考察する。 この種の問題は、通常、有向非巡回グラフ(DAG)モデルの推論として定式化される。 線形非ガウス非巡回モデル(LiNGAM)は最も成功したDAGモデルの一つであり、様々な推定法が開発されている。 しかし、既存の方法はいくつかの理由で効率的ではない。 (i)疎構造が必ずしも因果順序推定に組み込まれているとは限らない。 (ii)パラメータ推定にはデータ全体の情報を使用しない。 これらの問題に対処するために,非ガウス雑音を持つ線形DAGモデルの新たな推定法を提案する。 提案手法は, 独立成分分析(ica)のログライク性に基づき, 分散性と一貫性条件に関連する2つのペナルティ項を導出する。 提案手法により,因果順序とパラメータを同時に推定できる。 安定かつ効率的な最適化のために,改良された自然勾配などいくつかのデバイスを提案する。 数値実験により,提案手法はLiNGAMやNOTEARSなどの既存手法よりも優れていた。

関連論文リスト

• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Bayesian Model Parameter Learning in Linear Inverse Problems with Application in EEG Focal Source Imaging [49.1574468325115]
  逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。 未知の非線形モデルパラメータを含む線形逆問題について検討した。 ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
  論文  参考訳（メタデータ） (2025-01-07T18:14:24Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
  観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。 本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
  論文  参考訳（メタデータ） (2024-05-11T04:15:47Z)
• 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)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• 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)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Causal Inference Using Linear Time-Varying Filters with Additive Noise [18.35147325731821]
  制約構造因果モデルフレームワークを用いた因果推論は、データ生成機構による原因と効果の非対称性に大きく依存する。 データの非定常性を利用して対称性を破ることを提案する。 主な理論的結果は,原因と効果が時間変化フィルタを介して接続された場合,因果方向が汎用ケースで同定可能であることを示している。
  論文  参考訳（メタデータ） (2020-12-23T23:35:58Z)
• Causal Mosaic: Cause-Effect Inference via Nonlinear ICA and Ensemble Method [18.44408086531395]
  非パラメトリックな非線形因果モデルを訓練し、非付加的な雑音を許容する。 コーサル・モザイク(Causal Mosaic)というアンサンブル・フレームワークを構築し、非線形モデルの混合により因果対をモデル化する。
  論文  参考訳（メタデータ） (2020-01-07T05:16:30Z)

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。