論文の概要: Representation and Learning of Context-Specific Causal Models with
Observational and Interventional Data
- arxiv url: http://arxiv.org/abs/2101.09271v1
- Date: Fri, 22 Jan 2021 18:48:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 21:01:56.646968
- Title: Representation and Learning of Context-Specific Causal Models with
Observational and Interventional Data
- Title(参考訳): 観測・干渉データを用いた文脈特化因数モデルの表現と学習
- Authors: Eliana Duarte, Liam Solus
- Abstract要約: 離散データのコンテキスト固有情報をエンコードする因果モデルの表現と学習の問題を検討する。
このクラスは、DAGモデル内のコンテキスト固有の情報を、DAGのコレクションによってステージ化ツリー、またはそれと同等の方法でキャプチャするステージ化ツリーモデルのサブクラスです。
我々は、DAGのグローバルマルコフ特性を一般化するCStreeで符号化された非対称な条件独立関係の完全集合を特徴づける。
- 参考スコア(独自算出の注目度): 0.7614628596146599
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of representation and learning of causal models that
encode context-specific information for discrete data. To represent such models
we define the class of CStrees. This class is a subclass of staged tree models
that captures context-specific information in a DAG model by the use of a
staged tree, or equivalently, by a collection of DAGs. We provide a
characterization of the complete set of asymmetric conditional independence
relations encoded by a CStree that generalizes the global Markov property for
DAGs. As a consequence, we obtain a graphical characterization of model
equivalence for CStrees generalizing that of Verma and Pearl for DAG models. We
also provide a closed-form formula for the maximum likelihood estimator of a
CStree and use it to show that the Bayesian Information Criterion is a locally
consistent score function for this model class. We then use the theory for
general interventions in staged tree models to provide a global Markov property
and a characterization of model equivalence for general interventions in
CStrees. As examples, we apply these results to two real data sets, learning
BIC-optimal CStrees for each and analyzing their context-specific causal
structure.
- Abstract(参考訳): 本稿では,文脈固有の情報を離散データにエンコードする因果モデルの表現と学習の問題を考える。
そのようなモデルを表現するために、CStreesのクラスを定義します。
このクラスはステージドツリーモデルのサブクラスであり、DAGモデルのコンテキスト固有の情報をステージドツリーまたは同等にDAGのコレクションによって取得する。
我々は、DAGのグローバルマルコフ特性を一般化するCStreeで符号化された非対称な条件独立関係の完全集合を特徴づける。
その結果,DAGモデルに対してVermaとPearlを一般化したCSツリーのモデル等価性のグラフィカルな特徴付けが得られる。
また, cstree の最大確率推定器に対する閉形式式を提供し, ベイズ情報量基準がこのモデルクラスに対して局所的に一貫したスコア関数であることを示す。
次に、段階木モデルにおける一般介入の理論を用いて、大域マルコフ特性と cstree における一般介入に対するモデル同値のキャラクタリゼーションを提供する。
例えば、これらの結果を2つの実際のデータセットに適用し、それぞれのbic-optimal cstreeを学習し、コンテキスト固有の因果構造を分析する。
関連論文リスト
- Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - Boosting gets full Attention for Relational Learning [27.82663283409287]
本研究では,木質モデルとうまく融合した構造化データに対する注意機構を,(漸進的な)ブースティングのトレーニングコンテキストで導入する。
シミュレーションおよび実世界のドメインに関する実験は、木に基づくモデルとニューラルネットベースのモデルの両方を含む最先端技術に対する我々の手法の競争力を示す。
論文 参考訳(メタデータ) (2024-02-22T19:16:01Z) - The Bayesian Context Trees State Space Model for time series modelling
and forecasting [8.37609145576126]
実数値時系列に対してリッチな混合モデルを開発するための階層的ベイズフレームワークが導入された。
最上位では、有意義な離散状態が、最新のサンプルの適切な定量値として特定される。
下位レベルでは、実数値時系列(ベースモデル)の異なる任意のモデルが各状態と関連付けられている。
論文 参考訳(メタデータ) (2023-08-02T02:40:42Z) - Investigating Failures to Generalize for Coreference Resolution Models [93.95952368743919]
本稿では,現在のコア参照解決モデルの誤差が,データセット間での運用方法の相違にどの程度関連しているかを検討する。
具体的には、モデル性能をいくつかのタイプのコア参照に対応するカテゴリに分け、分解する。
このブレークダウンは、異なるコア参照タイプをまたいだ一般化能力において、最先端モデルがどのように異なるかを調べるのに役立ちます。
論文 参考訳(メタデータ) (2023-03-16T05:32:02Z) - SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series
Forecasting [7.206754802573034]
本稿では,TARモデルと回帰木との密接な関係について検討する。
本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。
本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
論文 参考訳(メタデータ) (2022-11-16T04:30:42Z) - On the Compositional Generalization Gap of In-Context Learning [73.09193595292233]
In-distriion (ID) と Out-of-distriion (OOD) の相違について考察する。
我々は,3つの意味解析データセットを用いて,OPT,BLOOM,CodeGen,Codexの4つのモデルファミリを評価する。
論文 参考訳(メタデータ) (2022-11-15T19:56:37Z) - Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。
言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
論文 参考訳(メタデータ) (2022-01-08T00:47:50Z) - Partial Order in Chaos: Consensus on Feature Attributions in the
Rashomon Set [50.67431815647126]
ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。
この手法により局所的・言語的特徴の半順序が生じることを示す。
これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
論文 参考訳(メタデータ) (2021-10-26T02:53:14Z) - A Topological-Framework to Improve Analysis of Machine Learning Model
Performance [5.3893373617126565]
本稿では、データセットをモデルが動作する「空間」として扱う機械学習モデルを評価するためのフレームワークを提案する。
本稿では,各サブポピュレーション間でのモデル性能の保存と解析に有用なトポロジカルデータ構造であるプレシーブについて述べる。
論文 参考訳(メタデータ) (2021-07-09T23:11:13Z) - Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。
我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
論文 参考訳(メタデータ) (2021-06-20T02:15:20Z) - Context-tree weighting for real-valued time series: Bayesian inference
with hierarchical mixture models [8.37609145576126]
時系列の混合モデルを構築するための一般的な階層型ベイズモデリングフレームワークが開発されている。
この開発は、部分的にはコンテキストツリーの使用に基づいており、学習と推論のための効果的なアルゴリズムツールのコレクションを含んでいる。
汎用フレームワークの実用性は、自己回帰(AR)モデルが底面で使用されるときに詳細に説明され、結果として非線形AR混合モデルが得られる。
論文 参考訳(メタデータ) (2021-06-06T03:46:49Z)
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。