論文の概要: Multi-task Causal Learning with Gaussian Processes

• arxiv url: http://arxiv.org/abs/2009.12821v1
• Date: Sun, 27 Sep 2020 11:33:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:18:37.538215
• Title: Multi-task Causal Learning with Gaussian Processes
• Title（参考訳）: ガウス過程を用いたマルチタスク因果学習
• Authors: Virginia Aglietti, Theodoros Damoulas, Mauricio \'Alvarez, Javier Gonz\'alez
• Abstract要約: 本稿では、因果モデルの有向非巡回グラフ(DAG)上に定義された一連の介入関数の相関構造を学習する問題について考察する。 本稿では,連続的な介入と異なる変数に対する実験による情報共有が可能な,最初のマルチタスク因果ガウス過程(GP)モデルを提案する。
• 参考スコア（独自算出の注目度）: 17.205106391379026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the problem of learning the correlation structure of a set of intervention functions defined on the directed acyclic graph (DAG) of a causal model. This is useful when we are interested in jointly learning the causal effects of interventions on different subsets of variables in a DAG, which is common in field such as healthcare or operations research. We propose the first multi-task causal Gaussian process (GP) model, which we call DAG-GP, that allows for information sharing across continuous interventions and across experiments on different variables. DAG-GP accommodates different assumptions in terms of data availability and captures the correlation between functions lying in input spaces of different dimensionality via a well-defined integral operator. We give theoretical results detailing when and how the DAG-GP model can be formulated depending on the DAG. We test both the quality of its predictions and its calibrated uncertainties. Compared to single-task models, DAG-GP achieves the best fitting performance in a variety of real and synthetic settings. In addition, it helps to select optimal interventions faster than competing approaches when used within sequential decision making frameworks, like active learning or Bayesian optimization.
• Abstract（参考訳）: 本稿では、因果モデルの有向非巡回グラフ(DAG)上に定義された一連の介入関数の相関構造を学習する問題を考察する。 これは、医療や手術研究などの分野に共通するDAGにおける変数の異なるサブセットに対する介入の因果効果を共同学習することに関心がある場合に有用である。 本稿では,DAG-GPと呼ばれるマルチタスク因果プロセス(GP)モデルを提案する。 DAG-GPはデータの可用性の観点から異なる仮定に適合し、よく定義された積分演算子を通して異なる次元の入力空間にある関数間の相関を捉える。 我々は,DAG-GPモデルがDAGに依存していつ,どのように定式化できるかを理論的に明らかにした。 予測の品質と校正された不確実性の両方をテストする。 シングルタスクモデルと比較して、DAG-GPは様々な実および合成設定において最高の適合性能を達成する。 さらに、アクティブラーニングやベイズ最適化といったシーケンシャルな意思決定フレームワークで使用される場合、競合するアプローチよりも迅速に最適な介入を選択するのに役立つ。

関連論文リスト

• Toward the Identifiability of Comparative Deep Generative Models [7.5479347719819865]
  比較深部生成モデル(DGM)における識別可能性の理論を提案する。 これらのモデルは、一般的な混合関数のクラスにおいて識別性に欠けるが、混合関数が断片的アフィンであるときに驚くほど識別可能であることを示す。 また, モデルミス種別の影響についても検討し, 従来提案されていた比較DGMの正則化手法が, 潜伏変数の数が事前に分かっていない場合に, 識別可能性を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2024-01-29T06:10:54Z)
• Latent Variable Multi-output Gaussian Processes for Hierarchical Datasets [0.8057006406834466]
  多出力ガウス過程(MOGP)は、異なる出力間の相関を利用して複数のタスクに対処するために導入された。 本稿では,階層型データセットのためのMOGPの拡張を提案する。
  論文  参考訳（メタデータ） (2023-08-31T15:52:35Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Scalable Gaussian Processes for Data-Driven Design using Big Data with Categorical Factors [14.337297795182181]
  ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。 本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。 本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
  論文  参考訳（メタデータ） (2021-06-26T02:17:23Z)
• Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
  generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。 ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。 ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
  論文  参考訳（メタデータ） (2021-04-12T16:23:37Z)
• Modulating Scalable Gaussian Processes for Expressive Statistical Learning [25.356503463916816]
  ガウス過程(GP)は、入力と出力の間の統計的関係を学ぶことに興味がある。 本稿では,非定常ヘテロセダスティックGP,GPと潜在GPの混合を含む,スケーラブルなGPパラダイムについて検討し,よりリッチでガウス的でない統計表現を学習するために,出力や入力を変調する潜在変数を導入する。
  論文  参考訳（メタデータ） (2020-08-29T06:41:45Z)
• Semiparametric Inference For Causal Effects In Graphical Models With Hidden Variables [13.299431908881425]
  隠れ変数有向非巡回グラフに関連する因果モデルにおける因果効果の同定理論をよく研究した。 対応するアルゴリズムは、出力する関数を推定する複雑さのために、過小評価される。 単一処理と単一結果を含む集団レベルの因果効果の同定と推定のギャップを橋渡しする。
  論文  参考訳（メタデータ） (2020-03-27T22:29:04Z)

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。