論文の概要: Near-Optimal Multi-Perturbation Experimental Design for Causal Structure Learning

• arxiv url: http://arxiv.org/abs/2105.14024v1
• Date: Fri, 28 May 2021 18:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:05:50.141328
• Title: Near-Optimal Multi-Perturbation Experimental Design for Causal Structure Learning
• Title（参考訳）: 因果構造学習のための近接最適多重摂動実験設計
• Authors: Scott Sussex (1), Andreas Krause (1), Caroline Uhler (2) ((1) Department of Computer Science, ETH Z\"urich, (2) Laboratory for Information & Decision Systems, Massachusetts Institute of Technology)
• Abstract要約: 因果構造は、興味あるシステムで実験を行うことで学習することができる。 我々は、複数の変数に同時に介入する実験を設計する、ほとんど探索されていない問題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal structure learning is a key problem in many domains. Causal structures can be learnt by performing experiments on the system of interest. We address the largely unexplored problem of designing experiments that simultaneously intervene on multiple variables. While potentially more informative than the commonly considered single-variable interventions, selecting such interventions is algorithmically much more challenging, due to the doubly-exponential combinatorial search space over sets of composite interventions. In this paper, we develop efficient algorithms for optimizing different objective functions quantifying the informativeness of experiments. By establishing novel submodularity properties of these objectives, we provide approximation guarantees for our algorithms. Our algorithms empirically perform superior to both random interventions and algorithms that only select single-variable interventions.
• Abstract（参考訳）: 因果構造学習は多くの領域において重要な問題である。 因果構造は、興味のあるシステムで実験を行うことで学べる。 我々は、複数の変数に同時に介入する実験を設計するという、ほとんど未解決の問題に対処する。 一般的に考えられている単一変数の介入よりも潜在的に有益であるが、複合的介入の集合に対する二重指数組合せ探索空間のため、そのような介入を選択することはアルゴリズム的にはるかに困難である。 本稿では,実験のインフォマティビティを定量化する目的関数を最適化する効率的なアルゴリズムを開発する。 これらの目的の新たな部分モジュラリティ特性を確立することにより、アルゴリズムの近似保証を提供する。 我々のアルゴリズムは、ランダムな介入と、単一変数の介入のみを選択するアルゴリズムの両方よりも経験的に優れている。

関連論文リスト

• Causal Discovery by Interventions via Integer Programming [3.2513035377783717]
  因果発見は、データ内の因果構造を明らかにするために、様々な科学分野において不可欠である。 従来の観測データに依存する手法には、変数の相違による制限がある。 本稿では,整数計画法(IP)を用いた最適化手法を提案し,因果構造識別性を確保するため,最小限の介入セットを設計する。
  論文  参考訳（メタデータ） (2024-12-02T16:22:10Z)
• Query-Efficient Correlation Clustering with Noisy Oracle [17.11782578276788]
  共同マルチアーマッドバンド(PE-CMAB)における純粋探索のパラダイムに根ざしたオンライン学習問題の2つの新しい定式化を導入する。 我々は,サンプリング戦略と古典近似アルゴリズムを組み合わせるアルゴリズムを設計し,それらの理論的保証について検討する。 本研究は, PE-CMABの場合のクラスタリング時アルゴリズムの最初の例であり, 基礎となるオフライン最適化問題はNP-hardである。
  論文  参考訳（メタデータ） (2024-02-02T13:31:24Z)
• Batch Bayesian Optimization for Replicable Experimental Design [56.64902148159355]
  多くの実世界の設計問題は、大規模で異質な観測ノイズのため、複数の実験条件を並列に評価し、各条件を複数回再現する。 本稿では,3つのアルゴリズムを含むReplicable Experimental Designフレームワークのバッチトンプソンサンプリングを提案する。 我々は,アルゴリズムの有効性を,精密農業とAutoMLの2つの実世界の応用例で示す。
  論文  参考訳（メタデータ） (2023-11-02T12:46:03Z)
• Global and Preference-based Optimization with Mixed Variables using Piecewise Affine Surrogates [0.6083861980670925]
  本稿では,線形制約付き混合変数問題の解法として,新しいサロゲートに基づく大域的最適化アルゴリズムを提案する。 提案手法は, 目的関数の断片的なアフィンサロゲートを, 実現可能なサンプル上に構築することに基づいている。 この2つのアルゴリズムは、制約なしおよび制約付き混合変数ベンチマーク問題に対して評価される。
  論文  参考訳（メタデータ） (2023-02-09T15:04:35Z)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Active Learning of Causal Structures with Deep Reinforcement Learning [13.202747831999414]
  介入データから因果構造を学習するための実験設計の問題について検討する。 実験設計の課題に対して,最初の深層強化学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-09-07T10:49:06Z)
• A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks [70.88503833248159]
  連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。 我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
  論文  参考訳（メタデータ） (2020-07-07T07:34:09Z)

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。