論文の概要: Definite Non-Ancestral Relations and Structure Learning

• arxiv url: http://arxiv.org/abs/2105.10350v1
• Date: Thu, 20 May 2021 06:53:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:11:03.242317
• Title: Definite Non-Ancestral Relations and Structure Learning
• Title（参考訳）: 絶対非基底関係と構造学習
• Authors: Wenyu Chen, Mathias Drton and Ali Shojaie
• Abstract要約: CPDAGとd-セパレーション関係による祖先関係のグラフィカルな特徴について検討する。 本研究では,骨格を学習することなく,特定の非祖先関係を学習できる枠組みを提案する。
• 参考スコア（独自算出の注目度）: 10.8738893134525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In causal graphical models based on directed acyclic graphs (DAGs), directed paths represent causal pathways between the corresponding variables. The variable at the beginning of such a path is referred to as an ancestor of the variable at the end of the path. Ancestral relations between variables play an important role in causal modeling. In existing literature on structure learning, these relations are usually deduced from learned structures and used for orienting edges or formulating constraints of the space of possible DAGs. However, they are usually not posed as immediate target of inference. In this work we investigate the graphical characterization of ancestral relations via CPDAGs and d-separation relations. We propose a framework that can learn definite non-ancestral relations without first learning the skeleton. This frame-work yields structural information that can be used in both score- and constraint-based algorithms to learn causal DAGs more efficiently.
• Abstract（参考訳）: 有向非巡回グラフ(DAG)に基づく因果グラフモデルでは、有向経路は対応する変数間の因果経路を表す。 そのようなパスの先頭にある変数は、パスの終端にある変数の祖先と呼ばれる。 変数間の基底関係は因果モデリングにおいて重要な役割を果たす。 構造学習に関する既存の文献では、これらの関係は通常、学習された構造から導出され、エッジの向き付けやDAGの空間の定式化に使用される。 しかし、通常は推論の即時的ターゲットとして設定されない。 本研究では,CPDAGとd-セパレーション関係による祖先関係のグラフィカルな特徴について検討する。 まず,骨格を学習することなく,明確な非祖先関係を学習できる枠組みを提案する。 このフレームワークは、スコアベースと制約ベースのアルゴリズムの両方で使用可能な構造情報を取得し、因果DAGをより効率的に学習する。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Learning Directed Acyclic Graphs from Partial Orderings [9.387234607473054]
  有向非巡回グラフ(DAG)は、確率変数間の因果関係をモデル化するために一般的に用いられる。 本稿では,変数の部分的因果順序付けが可能である場合のDAG学習の中間的問題について考察する。 低次元および高次元問題に対する部分順序付けと効率的な推定アルゴリズムを活用するための一般的な推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T06:14:50Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• ViRel: Unsupervised Visual Relations Discovery with Graph-level Analogy [65.5580334698777]
  ViRelは、グラフレベルのアナロジーを用いた視覚関係の教師なし発見と学習のための方法である。 本研究では,関係分類において95%以上の精度を達成できることを示す。 さらに、より複雑な関係構造を持つ未確認タスクに一般化する。
  論文  参考訳（メタデータ） (2022-07-04T16:56:45Z)
• Causal Structure Learning: a Combinatorial Perspective [10.36760237752589]
  我々は、因果発見とも呼ばれるデータから因果構造を学習するためのアプローチについて議論する。 我々は、有向非巡回グラフ(DAG)の学習手法と、利用可能なデータでいくつかの変数を観測できないようにするための様々な一般化に焦点を当てる。
  論文  参考訳（メタデータ） (2022-06-02T17:09:51Z)
• 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)
• A Differentiable Relaxation of Graph Segmentation and Alignment for AMR Parsing [75.36126971685034]
  我々は、アライメントとセグメンテーションをモデルの潜在変数として扱い、エンドツーエンドのトレーニングの一部としてそれらを誘導する。 また,AMRの個々の構造を扱うために手作りされたLyu2018AMRPAのセグメンテーションルールに依存するモデルにもアプローチした。
  論文  参考訳（メタデータ） (2020-10-23T21:22:50Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)
• Bayesian network structure learning with causal effects in the presence of latent variables [6.85316573653194]
  本稿では,cFCIの制約に基づく部分とスコアに基づく学習を組み合わせた,CCHMと呼ばれるハイブリッド構造学習アルゴリズムについて述べる。 ランダム化されたネットワークとよく知られたネットワークの両方に基づく実験により、CCHMは真の祖先グラフの再構築の観点から最先端の改善を図っている。
  論文  参考訳（メタデータ） (2020-05-29T04:42:28Z)
• Learning Relation Ties with a Force-Directed Graph in Distant Supervised Relation Extraction [39.73191604776768]
  関係関係は、異なる関係間の相関関係と相互排除として定義されるが、遠方の教師付き関係抽出には重要である。 既存のアプローチは、局所的な依存関係を丁寧に学習することで、この特性をモデル化する。 本稿では,関係関係を包括的に学習する,力によるグラフに基づく関係抽出モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-21T14:41:38Z)

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。