論文の概要: DiBS: Differentiable Bayesian Structure Learning
- arxiv url: http://arxiv.org/abs/2105.11839v1
- Date: Tue, 25 May 2021 11:23:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 14:27:08.127904
- Title: DiBS: Differentiable Bayesian Structure Learning
- Title（参考訳）: DiBS:異なるベイズ構造学習
- Authors: Lars Lorch, Jonas Rothfuss, Bernhard Sch\"olkopf, Andreas Krause
- Abstract要約: ベイズ構造学習(DiBS)のための汎用的で完全に微分可能なフレームワークを提案する。
DiBSは潜在確率グラフ表現の連続空間で動作する。
既存の研究とは対照的に、DiBSは局所的な条件分布の形式に依存しない。
- 参考スコア（独自算出の注目度）: 38.01659425023988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian structure learning allows inferring Bayesian network structure from
data while reasoning about the epistemic uncertainty -- a key element towards
enabling active causal discovery and designing interventions in real world
systems. In this work, we propose a general, fully differentiable framework for
Bayesian structure learning (DiBS) that operates in the continuous space of a
latent probabilistic graph representation. Building on recent advances in
variational inference, we use DiBS to devise an efficient method for
approximating posteriors over structural models. Contrary to existing work,
DiBS is agnostic to the form of the local conditional distributions and allows
for joint posterior inference of both the graph structure and the conditional
distribution parameters. This makes our method directly applicable to posterior
inference of nonstandard Bayesian network models, e.g., with nonlinear
dependencies encoded by neural networks. In evaluations on simulated and
real-world data, DiBS significantly outperforms related approaches to joint
posterior inference.
- Abstract（参考訳）: ベイズ構造学習は、データからベイズネットワーク構造を推論し、疫学的な不確実性について推論することを可能にする。
本研究では,潜在確率グラフ表現の連続空間で動作するベイズ構造学習(dibs)のための汎用的かつ完全微分可能なフレームワークを提案する。
近年の変分推論の進歩を踏まえ,構造モデル上での後方近似法を考案するためにdibを用いた。
既存の研究とは対照的に、DiBSは局所的な条件分布の形式に非依存であり、グラフ構造と条件分布パラメータの両方の結合後部推論を可能にする。
これにより、ニューラルネットワークで符号化された非線形依存関係を持つ非標準ベイズネットワークモデルの後部推論に直接適用することができる。
シミュレーションおよび実世界のデータに対する評価において、DiBSは関節後部推論に対する関連するアプローチを著しく上回っている。
関連論文リスト
- Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - Variational Inference for Bayesian Neural Networks under Model and
Parameter Uncertainty [12.211659310564425]
BNNにおける構造学習の枠組みとしてモデル不確実性の概念を適用した。
本稿では,限界包摂確率の再パラメータ化による拡張性のある変分推論手法を提案する。
論文 参考訳（メタデータ） (2023-05-01T16:38:17Z) - Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。
我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
論文 参考訳（メタデータ） (2022-11-04T21:57:39Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳（メタデータ） (2022-02-28T15:53:10Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - Hybrid Bayesian network discovery with latent variables by scoring
multiple interventions [5.994412766684843]
離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。
このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。
実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
論文 参考訳（メタデータ） (2021-12-20T14:54:41Z) - Prequential MDL for Causal Structure Learning with Neural Networks [9.669269791955012]
ベイジアンネットワークの実用的スコアリング関数を導出するために,事前最小記述長の原理が利用できることを示す。
我々は、調整しなければならない事前やその他の正規化子を誘導するスパーシリティに頼ることなく、可塑性および擬似グラフ構造を得る。
本研究は, 適応速度から因果構造を推定する最近の研究と, 分布変化の源泉から観測結果が得られた場合の因果構造との関係について考察する。
論文 参考訳（メタデータ） (2021-07-02T22:35:21Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z)
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。