論文の概要: Causal Structure Learning: a Bayesian approach based on random graphs

• arxiv url: http://arxiv.org/abs/2010.06164v1
• Date: Tue, 13 Oct 2020 04:13:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 23:47:10.858450
• Title: Causal Structure Learning: a Bayesian approach based on random graphs
• Title（参考訳）: 因果構造学習:ランダムグラフに基づくベイズ的アプローチ
• Authors: Mauricio Gonzalez-Soto, Ivan R. Feliciano-Avelino, L. Enrique Sucar, Hugo J. Escalante Balderas
• Abstract要約: 我々は、因果関係の存在に関する不確実性をモデル化するために、グラフの表現可能性を利用する。 我々は、因果的環境との相互作用と学習を通して因果的構造を捉えるために、ベイズ的視点を採用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A Random Graph is a random object which take its values in the space of graphs. We take advantage of the expressibility of graphs in order to model the uncertainty about the existence of causal relationships within a given set of variables. We adopt a Bayesian point of view in order to capture a causal structure via interaction and learning with a causal environment. We test our method over two different scenarios, and the experiments mainly confirm that our technique can learn a causal structure. Furthermore, the experiments and results presented for the first test scenario demonstrate the usefulness of our method to learn a causal structure as well as the optimal action. On the other hand the second experiment, shows that our proposal manages to learn the underlying causal structure of several tasks with different sizes and different causal structures.
• Abstract（参考訳）: ランダムグラフ(英: Random Graph)は、グラフの空間で値を取るランダムオブジェクトである。 グラフの表現可能性を利用して,与えられた変数群における因果関係の存在に関する不確かさをモデル化する。 我々は,因果環境との相互作用と学習を通じて因果構造を捉えるために,ベイズ的視点を採用する。 提案手法を2つの異なるシナリオでテストし,本手法が因果構造を学習できることを主に検証した。 さらに,第1テストシナリオに提示した実験と結果から,因果構造を学習する上での手法の有用性と,最適な行動を示す。 一方,第2の実験では,提案手法が,異なるサイズと異なる因果構造を持つ複数のタスクの背後にある因果構造を学習できることが示されている。

関連論文リスト

• How much do we really know about Structure Learning from i.i.d. Data? Interpretable, multi-dimensional Performance Indicator for Causal Discovery [3.8443430569753025]
  観測データからの因果発見は、データ生成プロセスで使用される構造方程式の定式化に厳密な識別可能性の仮定を課す。 統合された性能評価フレームワークの欠如により、我々は解釈可能な6次元評価指標、すなわち、最適解の距離(DOS)を導入する。 本研究は、7つの異なる家系における構造学習アルゴリズムの性能を、不特定非非線形因果パターンの割合の増加に基づいて評価する最初の研究である。
  論文  参考訳（メタデータ） (2024-09-28T15:03:49Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• 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)
• CCSL: A Causal Structure Learning Method from Multiple Unknown Environments [32.61349047509467]
  非i.d.データからの因果発見のための統一因果クラスタ構造学習法(CCSL)を提案する。 本手法は,(1)同じ因果機構を持つ被験者をクラスタリングすること,(2)被験者のサンプルから因果構造を学習すること,の2つの課題を同時に統合する。
  論文  参考訳（メタデータ） (2021-11-18T12:50:53Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Structure Learning for Directed Trees [3.1523578265982235]
  システムの因果構造を知ることは、科学の多くの分野において基本的な関心事であり、システムの操作下でうまく機能する予測アルゴリズムの設計を支援することができる。 データから構造を学習するために、スコアベースの手法は適合の質に応じて異なるグラフを評価する。 大きな非線形モデルでは、これらは真の因果構造を回復する一般的な保証のない最適化アプローチに依存している。
  論文  参考訳（メタデータ） (2021-08-19T18:38:30Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。