論文の概要: Beware of the Simulated DAG! Varsortability in Additive Noise Models

• arxiv url: http://arxiv.org/abs/2102.13647v1
• Date: Fri, 26 Feb 2021 18:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 13:57:36.659267
• Title: Beware of the Simulated DAG! Varsortability in Additive Noise Models
• Title（参考訳）: シミュレーションDAGに注意! 付加雑音モデルにおける可変性
• Authors: Alexander G. Reisach, Christof Seiler, Sebastian Weichwald
• Abstract要約: 合成データにおける連続構造学習アルゴリズムの性能は,バラエティが如何に支配されているかを示す。 模擬添加ノイズモデルではバラツキが起こりやすいという認識を高めることを目指しています。
• 参考スコア（独自算出の注目度）: 70.54639814319096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Additive noise models are a class of causal models in which each variable is defined as a function of its causes plus independent noise. In such models, the ordering of variables by marginal variances may be indicative of the causal order. We introduce varsortability as a measure of agreement between the ordering by marginal variance and the causal order. We show how varsortability dominates the performance of continuous structure learning algorithms on synthetic data. On real-world data, varsortability is an implausible and untestable assumption and we find no indication of high varsortability. We aim to raise awareness that varsortability easily occurs in simulated additive noise models. We provide a baseline method that explicitly exploits varsortability and advocate reporting varsortability in benchmarking data.
• Abstract（参考訳）: 付加ノイズモデルは因果モデルの一種であり、各変数はその原因と独立したノイズの関数として定義される。 そのようなモデルでは、限界分散による変数の順序付けは因果順序を示すことができる。 限界分散による順序と因果順序との一致の尺度として変分可能性を導入する。 合成データにおける連続構造学習アルゴリズムの性能は,バラエティが如何に支配されているかを示す。 実世界のデータでは、変数ソータビリティは不可解でテスト不可能な仮定であり、高い変数ソータビリティの兆候は見つかっていない。 模擬添加ノイズモデルではバラツキが起こりやすいという認識を高めることを目指しています。 データのベンチマークにおいて,変数ソータビリティを明示的に利用し,変数ソータビリティを報告することを提唱するベースライン手法を提供する。

関連論文リスト

• Causal Layering via Conditional Entropy [85.01590667411956]
  因果発見は、生成した観測可能なデータから観測されていない因果グラフに関する情報を回収することを目的としている。 我々は、条件付きエントロピーオラクルを介してデータにアクセスすることによって、グラフの階層化を回復する方法を提供する。
  論文  参考訳（メタデータ） (2024-01-19T05:18:28Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Shortcuts for causal discovery of nonlinear models by score matching [32.01302470630594]
  非線形付加雑音モデルのスコア・ソータビリティ・パターンを定義し,特徴付ける。 文献において最も一般的な合成ベンチマークのスコアソート性を示す。 本研究は, 非線形因果発見手法の評価において, データの多様性の欠如が重要な限界であることを示すものである。
  論文  参考訳（メタデータ） (2023-10-22T10:09:52Z)
• A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models [49.038420266408586]
  分散の増加による変数のソートは、しばしば因果順序に近い順序になることを示す。 本稿ではR2$-SortnRegressと呼ばれる,高いR2$-sortabilityを利用する効率的なベースラインアルゴリズムを提案する。 その結果,因果発見に関連するデータ生成プロセスの仮定として,R2$-sortabilityが高額であることが判明した。
  論文  参考訳（メタデータ） (2023-03-31T17:05:46Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
  既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。 項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。 本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T04:35:21Z)
• Causality-based Counterfactual Explanation for Classification Models [11.108866104714627]
  本稿では,プロトタイプに基づく対実的説明フレームワーク(ProCE)を提案する。 ProCEは、カウンターファクトデータの特徴の根底にある因果関係を保存することができる。 さらに,提案手法を応用した多目的遺伝的アルゴリズムを考案した。
  論文  参考訳（メタデータ） (2021-05-03T09:25:59Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。