論文の概要: Towards Scalable Bayesian Learning of Causal DAGs

• arxiv url: http://arxiv.org/abs/2010.00684v2
• Date: Wed, 18 Nov 2020 13:48:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 22:33:14.893554
• Title: Towards Scalable Bayesian Learning of Causal DAGs
• Title（参考訳）: 因果DAGのスケーラブルベイズ学習に向けて
• Authors: Jussi Viinikka, Antti Hyttinen, Johan Pensar, Mikko Koivisto
• Abstract要約: 我々は,有向非巡回グラフ,DAG,および受動的に観測された完全データから誘導された因果効果のベイズ推定法を提案する。 我々の手法は最近のマルコフ連鎖モンテカルロスキームに基づいてベイジアンネットワークを学習する。 本稿では,空間と時間要求を大幅に削減するアルゴリズム手法を提案する。
• 参考スコア（独自算出の注目度）: 16.07721608349973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We give methods for Bayesian inference of directed acyclic graphs, DAGs, and the induced causal effects from passively observed complete data. Our methods build on a recent Markov chain Monte Carlo scheme for learning Bayesian networks, which enables efficient approximate sampling from the graph posterior, provided that each node is assigned a small number $K$ of candidate parents. We present algorithmic techniques to significantly reduce the space and time requirements, which make the use of substantially larger values of $K$ feasible. Furthermore, we investigate the problem of selecting the candidate parents per node so as to maximize the covered posterior mass. Finally, we combine our sampling method with a novel Bayesian approach for estimating causal effects in linear Gaussian DAG models. Numerical experiments demonstrate the performance of our methods in detecting ancestor-descendant relations, and in causal effect estimation our Bayesian method is shown to outperform previous approaches.
• Abstract（参考訳）: 有向非巡回グラフ, dag, および受動的に観測された完全データから誘導される因果効果のベイズ推定法を提案する。 提案手法は,ベイズネットワークを学習するための最近のマルコフ連鎖モンテカルロスキームを基盤とし,各ノードに候補親の少人数$k$を割り当てることにより,グラフの後方からの効率的な近似サンプリングを可能にする。 本稿では,空間と時間要件を大幅に削減するアルゴリズム手法を提案する。 さらに,被被覆後質量を最大化するために,ノードごとに候補親を選択する問題についても検討した。 最後に、線形ガウスDAGモデルにおける因果効果を推定するための新しいベイズアプローチとサンプリング手法を組み合わせる。 数値実験により,祖先-従属関係の検出における提案手法の性能を実証し,因果効果の推定において,ベイズ法が先行手法よりも優れることを示した。

関連論文リスト

• A sparse PAC-Bayesian approach for high-dimensional quantile prediction [0.0]
  本稿では,高次元量子化予測のための確率論的機械学習手法を提案する。 擬似ベイズ的フレームワークとスケールした学生tとランゲヴィン・モンテカルロを併用して効率的な計算を行う。 その効果はシミュレーションや実世界のデータを通じて検証され、そこでは確立された頻繁な手法やベイズ的手法と競合する。
  論文  参考訳（メタデータ） (2024-09-03T08:01:01Z)
• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Bayesian Approach to Linear Bayesian Networks [3.8711489380602804]
  提案手法は, 部分共分散行列の逆数を用いて, 位相次数の各要素を逆方向と親方向から反復的に推定する。 提案手法は,BHLSM,LISTEN,TDアルゴリズムといった最先端の頻繁な手法より合成データの方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-27T08:10:53Z)
• Neural Operator Variational Inference based on Regularized Stein Discrepancy for Deep Gaussian Processes [23.87733307119697]
  本稿では,深いガウス過程に対するニューラル演算子変分推論(NOVI)を提案する。 NOVIは、ニューラルジェネレータを使用してサンプリング装置を取得し、生成された分布と真の後部の間のL2空間における正規化スタインの離散性を最小化する。 提案手法が提案するバイアスは定数で発散を乗算することで制御可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-22T06:56:35Z)
• Provable and Practical: Efficient Exploration in Reinforcement Learning via Langevin Monte Carlo [104.9535542833054]
  我々は、強化学習のためのトンプソンサンプリングに基づくスケーラブルで効果的な探索戦略を提案する。 代わりに、Langevin Monte Carlo を用いて、Q 関数をその後部分布から直接サンプリングする。 提案手法は,Atari57スイートからのいくつかの挑戦的な探索課題において,最先端の深部RLアルゴリズムと比較して,より優れた,あるいは類似した結果が得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:11:28Z)
• Plug-and-Play split Gibbs sampler: embedding deep generative priors in Bayesian inference [12.91637880428221]
  本稿では, 後方分布から効率的にサンプリングするために, 可変分割を利用したプラグアンドプレイサンプリングアルゴリズムを提案する。 後方サンプリングの課題を2つの単純なサンプリング問題に分割する。 その性能は最近の最先端の最適化とサンプリング手法と比較される。
  論文  参考訳（メタデータ） (2023-04-21T17:17:51Z)
• Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
  Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。 提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-22T17:58:23Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Bayesian inference of ODEs with Gaussian processes [17.138448665454373]
  本稿では、ガウス過程を用いて未知のODEシステムの後部をデータから直接推測する新しいベイズ非パラメトリックモデルを提案する。 ベクトル場後部を表すために,分離された関数型サンプリングを用いてスパース変分推論を導出する。 この手法はベクトル場後部演算の利点を示し、予測不確実性スコアは複数のODE学習タスクにおける代替手法よりも優れている。
  論文  参考訳（メタデータ） (2021-06-21T08:09:17Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。