論文の概要: A Recursive Markov Boundary-Based Approach to Causal Structure Learning
- arxiv url: http://arxiv.org/abs/2010.04992v3
- Date: Fri, 21 May 2021 02:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 22:18:19.477173
- Title: A Recursive Markov Boundary-Based Approach to Causal Structure Learning
- Title（参考訳）: マルコフ境界に基づく因果構造学習への再帰的アプローチ
- Authors: Ehsan Mokhtarian, Sina Akbari, AmirEmad Ghassami, Negar Kiyavash
- Abstract要約: 因果構造学習のための新しい再帰型手法を提案する。
条件付き独立テストの必要回数を大幅に削減する。
実験の結果,提案アルゴリズムは,合成構造と実世界構造の両方において,最先端のアルゴリズムよりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 22.38302412440357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Constraint-based methods are one of the main approaches for causal structure
learning that are particularly valued as they are asymptotically guaranteed to
find a structure that is Markov equivalent to the causal graph of the system.
On the other hand, they may require an exponentially large number of
conditional independence (CI) tests in the number of variables of the system.
In this paper, we propose a novel recursive constraint-based method for causal
structure learning that significantly reduces the required number of CI tests
compared to the existing literature. The idea of the proposed approach is to
use Markov boundary information to identify a specific variable that can be
removed from the set of variables without affecting the statistical
dependencies among the other variables. Having identified such a variable, we
discover its neighborhood, remove that variable from the set of variables, and
recursively learn the causal structure over the remaining variables. We further
provide a lower bound on the number of CI tests required by any
constraint-based method. Comparing this lower bound to our achievable bound
demonstrates the efficiency of the proposed approach. Our experimental results
show that the proposed algorithm outperforms state-of-the-art both on synthetic
and real-world structures.
- Abstract（参考訳）: 制約に基づく手法は、システムの因果グラフと等価なマルコフ構造を見つけることを漸近的に保証されているため、特に価値の高い因果構造学習の主要なアプローチの1つである。
一方、それらはシステムの変数数において指数関数的に多数の条件独立性(ci)テストを必要とする可能性がある。
本稿では,既存の文献と比較してCIテストの必要回数を大幅に削減する,因果構造学習のための再帰的制約に基づく新しい手法を提案する。
提案手法のアイデアは、マルコフ境界情報を用いて変数の集合から削除できる特定の変数を識別することであり、他の変数間の統計的依存関係に影響を与えない。
そのような変数を特定し、その近傍を発見し、変数の集合からその変数を取り除き、残りの変数の因果構造を再帰的に学習する。
さらに,制約ベースのメソッドで要求されるciテスト数について,より低いバウンダリを提供する。
この下限を達成可能な境界と比較すると、提案手法の効率性が示される。
実験の結果,提案アルゴリズムは,合成構造と実世界構造の両方において,最先端のアルゴリズムよりも優れていることがわかった。
関連論文リスト
- 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) - Learning Discrete Latent Variable Structures with Tensor Rank Conditions [30.292492090200984]
観測されていない離散データは、多くの科学分野においてユビキタスであり、これらの潜伏変数の因果構造を学習する方法は、データパターンを明らかにするために不可欠である。
ほとんどの研究は線形潜在変数モデルに焦点を当てたり、非線型関係や複素潜在構造を含む離散データにおけるケースに対処できない潜在構造に厳密な制約を課す。
観測変数集合 $mathbfX_p$ に対するテンソル階数条件を探索し、その階数が特定の条件集合の最小サポートによって決定されることを示す。
異なる観測変数のランクを探索することで、潜伏変数を特定できる。
論文 参考訳（メタデータ） (2024-06-11T07:25:17Z) - Latent Hierarchical Causal Structure Discovery with Rank Constraints [19.61598654735681]
我々は、いくつかの変数が潜伏し、階層的なグラフ構造を形成する因果構造同定のための挑戦的なシナリオを考える。
本稿では,潜伏変数を効率よく検出し,その濃度を判定し,潜伏階層構造を同定する推定手法を提案する。
論文 参考訳（メタデータ） (2022-10-01T03:27:54Z) - Revisiting GANs by Best-Response Constraint: Perspective, Methodology,
and Application [49.66088514485446]
ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。
モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
論文 参考訳（メタデータ） (2022-05-20T12:42:41Z) - Recursive Causal Structure Learning in the Presence of Latent Variables
and Selection Bias [27.06618125828978]
本稿では,潜伏変数と選択バイアスの存在下での観測データからシステムの因果MAGを学習する問題を考察する。
本稿では,音と完全性を備えた計算効率のよい制約ベースの新しい手法を提案する。
提案手法と人工と実世界の両方の構造に関する技術の現状を比較した実験結果を提供する。
論文 参考訳（メタデータ） (2021-10-22T19:49:59Z) - Modularity in Reinforcement Learning via Algorithmic Independence in
Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。
我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文 参考訳（メタデータ） (2021-06-28T21:29:13Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z) - A Local Method for Identifying Causal Relations under Markov Equivalence [7.904790547594697]
因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。
有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるか否かを局所的に特定する手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T05:01:44Z) - Integer Programming for Causal Structure Learning in the Presence of
Latent Variables [28.893119229428713]
本稿では,整数プログラミング(IP)の定式化を解き,連続変数の集合に対してスコア最大化祖先ADMGを返却する,新しい正確なスコアベース手法を提案する。
特に、DAG学習問題に対する最先端IPモデルを一般化し、有効な不等式の新しいクラスを導出し、IPベースのADMG学習モデルを形式化する。
論文 参考訳（メタデータ） (2021-02-05T12:10:16Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z) - Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。
既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。
本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T08:35:15Z)
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。