Fugu-MT 論文翻訳(概要): Conditions and Assumptions for Constraint-based Causal Structure Learning

論文の概要: Conditions and Assumptions for Constraint-based Causal Structure Learning

arxiv url: http://arxiv.org/abs/2103.13521v1
Date: Wed, 24 Mar 2021 23:08:00 GMT
ステータス: 処理完了
システム内更新日: 2021-03-26 13:43:45.722256
Title: Conditions and Assumptions for Constraint-based Causal Structure Learning
Title（参考訳）: 制約に基づく因果構造学習の条件と前提
Authors: Kayvan Sadeghi and Terry Soo
Abstract要約: この論文は、観測データから「真の」因果グラフの制約に基づく構造学習を定式化する。分布が真の因果グラフに対するマルコヴィアンであるという仮定の下で、モデルの一般クラスに対する理論を提供する。
参考スコア（独自算出の注目度）: 2.741266294612776
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The paper formalizes constraint-based structure learning of the "true" causal graph from observed data when unobserved variables are also existent. We define a "generic" structure learning algorithm, which provides conditions that, under the faithfulness assumption, the output of all known exact algorithms in the literature must satisfy, and which outputs graphs that are Markov equivalent to the causal graph. More importantly, we provide clear assumptions, weaker than faithfulness, under which the same generic algorithm outputs Markov equivalent graphs to the causal graph. We provide the theory for the general class of models under the assumption that the distribution is Markovian to the true causal graph, and we specialize the definitions and results for structural causal models.
Abstract（参考訳）: この論文は、観測されていない変数が存在する場合の観測データから「真の」因果グラフの制約に基づく構造学習を定式化する。我々は「遺伝的」構造学習アルゴリズムを定義し、忠実性仮定の下で文学における既知のすべての正確なアルゴリズムの出力を満たさなければならない条件を提供し、因果グラフと同値なマルコフグラフを出力する。さらに重要なことに、同じ汎用アルゴリズムがマルコフ等価グラフを因果グラフに出力する、忠実性よりも弱い明確な仮定を提供する。我々は、分布が真の因果グラフへのマルコフ的であることを仮定して、モデルの一般クラスの理論を提供し、構造因果モデルの定義と結果を専門化する。

関連論文リスト

A General Framework for Constraint-based Causal Learning [3.031375888004876]
これにより、因果学習の正確性条件を得るための一般的な枠組みが提供される。最短マルコフ表現条件は、最大祖先グラフと有向非巡回グラフに対する最小性の概念から得られる最も弱い正当性条件であることを示す。
論文参考訳（メタデータ） (2024-08-14T14:16:02Z)
Identifiable Latent Neural Causal Models [82.14087963690561]
因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。因果表現の識別可能性に寄与する分布シフトのタイプを決定する。本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
論文参考訳（メタデータ） (2024-03-23T04:13:55Z)
Axiomatization of Interventional Probability Distributions [4.02487511510606]
因果的介入は、do-calculusの規則の下で公理化される。我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文参考訳（メタデータ） (2023-05-08T06:07:42Z)
CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
グラフ上での対実的説明生成の問題について検討する。グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
論文参考訳（メタデータ） (2022-10-16T04:35:32Z)
Partial Disentanglement via Mechanism Sparsity [25.791043728989937]
メカニズムの疎性による絡み合いは、監督なしで潜伏要因を抽出する原則的アプローチとして導入された。我々は、この理論の一般化を導入し、任意の基底真実グラフに適用する。我々は、一貫性と呼ばれるモデルに対する新しい同値関係を通じて、学習された表現がいかに無関係になるかを示す。
論文参考訳（メタデータ） (2022-07-15T20:06:12Z)
Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
論文参考訳（メタデータ） (2022-05-20T02:50:15Z)
Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
論文参考訳（メタデータ） (2022-04-11T00:58:27Z)
OrphicX: A Causality-Inspired Latent Variable Model for Interpreting Graph Neural Networks [42.539085765796976]
本稿では、グラフニューラルネットワーク(GNN)の因果説明を生成するための新しいeXplanationフレームワークOrphicXを提案する。本研究では, 個別な生成モデルを構築し, 因果的, コンパクト, 忠実な説明を生成モデルに推奨する目的関数を設計する。 OrphicXは因果的説明を生成するための因果的意味論を効果的に識別できることを示す。
論文参考訳（メタデータ） (2022-03-29T03:08:33Z)
Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。 OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。コントラスト戦略を用いて,このプロセスを明確にモデル化する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） (2022-02-11T04:38:39Z)
ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
論文参考訳（メタデータ） (2021-04-15T17:51:36Z)
Learning non-Gaussian graphical models via Hessian scores and triangular transport [6.308539010172309]
連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
論文参考訳（メタデータ） (2021-01-08T16:42:42Z)

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。