論文の概要: Accelerating Recursive Partition-Based Causal Structure Learning
- arxiv url: http://arxiv.org/abs/2102.11545v1
- Date: Tue, 23 Feb 2021 08:28:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-24 23:55:30.869460
- Title: Accelerating Recursive Partition-Based Causal Structure Learning
- Title（参考訳）: 再帰分割に基づく因果構造学習の高速化
- Authors: Md. Musfiqur Rahman, Ayman Rasheed, Md. Mosaddek Khan, Mohammad Ali
Javidian, Pooyan Jamshidi and Md. Mamun-Or-Rashid
- Abstract要約: 帰納的因果探索アルゴリズムは、より小さなサブプロブレムで条件独立性テスト(CI)を用いて良い結果をもたらす。
本稿では,少数のCIテストと望ましくない関係を特定できる汎用因果構造改善戦略を提案する。
次に,合成および実データ集合における解の質と完了時間の観点から,最先端アルゴリズムに対する性能を実証的に評価する。
- 参考スコア（独自算出の注目度）: 4.357523892518871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal structure discovery from observational data is fundamental to the
causal understanding of autonomous systems such as medical decision support
systems, advertising campaigns and self-driving cars. This is essential to
solve well-known causal decision making and prediction problems associated with
those real-world applications. Recently, recursive causal discovery algorithms
have gained particular attention among the research community due to their
ability to provide good results by using Conditional Independent (CI) tests in
smaller sub-problems. However, each of such algorithms needs a refinement
function to remove undesired causal relations of the discovered graphs.
Notably, with the increase of the problem size, the computation cost (i.e., the
number of CI-tests) of the refinement function makes an algorithm expensive to
deploy in practice. This paper proposes a generic causal structure refinement
strategy that can locate the undesired relations with a small number of
CI-tests, thus speeding up the algorithm for large and complex problems. We
theoretically prove the correctness of our algorithm. We then empirically
evaluate its performance against the state-of-the-art algorithms in terms of
solution quality and completion time in synthetic and real datasets.
- Abstract（参考訳）: 観測データからの因果構造発見は、医療意思決定支援システム、広告キャンペーン、自動運転車などの自律システムの因果的理解に不可欠である。
これは、それらの現実世界のアプリケーションに関連するよく知られた因果決定と予測問題を解決するために不可欠です。
近年、より小さなサブプロブレムで条件独立試験(CI)を用いて良好な結果が得られるため、再帰因果探索アルゴリズムが研究コミュニティの間で特に注目を集めている。
しかし、これらのアルゴリズムはそれぞれ、発見されたグラフの望ましくない因果関係を取り除くために改良関数を必要とする。
特に、問題サイズの増加に伴い、改良関数の計算コスト(CIテストの数)はアルゴリズムを実際にデプロイするのにコストがかかる。
本稿では,少数のCIテストで望ましくない関係を見つけることができる汎用因果構造改良戦略を提案し,大規模かつ複雑な問題のアルゴリズムを高速化する。
理論的にアルゴリズムの正確性を証明する。
次に,合成および実データ集合における解の質と完了時間の観点から,最先端アルゴリズムに対する性能を実証的に評価する。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Towards model-free RL algorithms that scale well with unstructured data [1.3799571823220778]
本稿では,経験ストリームから直接予測構造を発見し,活用するための報奨関連一般値関数質問を構築するアルゴリズムを提案する。
提案アルゴリズムは,これらのスケーリング問題に対して,従来のディープRLアルゴリズムよりも確実に性能を向上する。
論文 参考訳（メタデータ） (2023-11-03T20:03:54Z) - Subset verification and search algorithms for causal DAGs [13.108039226223793]
エッジのサブセット(ターゲットエッジ)間の因果関係を学習するために必要な最小の介入セットを特定する問題について検討する。
介入因果グラフのいくつかの興味深い構造的特性を証明し、ここで研究されるサブセット検証・探索問題以外の応用があると信じている。
論文 参考訳（メタデータ） (2023-01-09T06:25:44Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。
データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。
我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-07-18T09:26:07Z) - 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) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Improving Efficiency and Accuracy of Causal Discovery Using a
Hierarchical Wrapper [7.570246812206772]
観測データからの因果発見は、科学の多くの分野において重要なツールである。
大規模なサンプルリミットでは、音と完全な因果探索アルゴリズムが導入されている。
しかし、これらのアルゴリズムが使用する統計的テストのパワーを制限するのは、有限のトレーニングデータのみである。
論文 参考訳（メタデータ） (2021-07-11T09:24:49Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z)
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。