論文の概要: Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties
of Non-Gaussian Distributions
- arxiv url: http://arxiv.org/abs/2106.01043v1
- Date: Wed, 2 Jun 2021 09:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 04:29:59.452386
- Title: Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties
of Non-Gaussian Distributions
- Title（参考訳）: 非ガウス分布の不斉性を利用した知識グラフの因果発見
- Authors: Rohan Giriraj, Sinnu Susan Thomas
- Abstract要約: 我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。
提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。
因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
- 参考スコア（独自算出の注目度）: 3.1981440103815717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, causal modelling has been used widely to improve
generalization and to provide interpretability in machine learning models. To
determine cause-effect relationships in the absence of a randomized trial, we
can model causal systems with counterfactuals and interventions given enough
domain knowledge. However, there are several cases where domain knowledge is
almost absent and the only recourse is using a statistical method to estimate
causal relationships. While there have been several works done in estimating
causal relationships in unstructured data, we are yet to find a well-defined
framework for estimating causal relationships in Knowledge Graphs (KG). It is
commonly used to provide a semantic framework for data with complex
inter-domain relationships. In this work, we define a hybrid approach that
allows us to discover cause-effect relationships in KG. The proposed approach
is based around the finding of the instantaneous causal structure of a
non-experimental matrix using a non-Gaussian model, i.e; finding the causal
ordering of the variables in a non-Gaussian setting. The non-experimental
matrix is a low-dimensional tensor projection obtained by decomposing the
adjacency tensor of a KG. We use two different pre-existing algorithms, one for
the causal discovery and the other for decomposing the KG and combining them to
get the causal structure in a KG.
- Abstract（参考訳）: 近年,機械学習モデルにおける一般化と解釈可能性向上のために,因果モデリングが広く用いられている。
ランダムな試行がない場合の因果関係を判断するために、十分なドメイン知識を与えられた反ファクトや介入を用いて因果系をモデル化することができる。
しかし、ドメイン知識がほとんど欠落しているケースがいくつかあり、唯一のリコースは統計的手法を用いて因果関係を推定することである。
構造化されていないデータにおける因果関係を推定する方法はいくつかあるが、知識グラフ(KG)における因果関係を推定するための明確に定義されたフレームワークはまだ見つかっていない。
ドメイン間の複雑な関係を持つデータのためのセマンティックフレームワークを提供するのが一般的である。
本研究では, kg における因果関係の発見を可能にするハイブリッドアプローチを定義する。
提案手法は,非ガウス的モデルを用いた非ガウス的行列の瞬時因果構造,すなわち非ガウス的セッティングにおける変数の因果順序を求めることに基づく。
非実験行列は、KGの隣接テンソルを分解して得られる低次元テンソル射影である。
因果発見のための2つのアルゴリズムと、kgを分解し、それらを組み合わせて1kgの因果構造を得る2つのアルゴリズムを用いる。
関連論文リスト
- Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
我々は,線形非ガウス構造方程式モデルについて考察する。
この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
論文 参考訳（メタデータ） (2024-08-09T07:24:12Z) - The Implicit Bias of Heterogeneity towards Invariance and Causality [10.734620509375144]
回帰損失の変種を訓練した大規模言語モデル(LLM)は,ある程度の因果関係を明らかにすることができる。
これは「因果関係は因果関係ではない」という伝統的な知恵と伝統的な因果推論のパラダイムに反する。
本稿では,アソシエーション指向トレーニングによる因果関係の出現は,情報源データからのカップリング効果に起因していると主張している。
論文 参考訳（メタデータ） (2024-03-03T07:38:24Z) - Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
我々は、古典因果探索アルゴリズムの出力からより大きな因果グラフを予測することを学ぶ教師付きモデルを訓練する。
我々のアプローチは、古典的手法の出力における典型的なエラーがデータセット間で比較できるという観察によって実現されている。
実データおよび合成データに関する実験では、このモデルが不特定性や分布シフトに直面して高い精度を維持することを示した。
論文 参考訳（メタデータ） (2024-02-02T21:57:58Z) - Causal Reasoning in the Presence of Latent Confounders via Neural ADMG
Learning [8.649109147825985]
潜伏境界は、観測データから因果推論を行うための長年の障害である。
本稿では,ADMG学習のための自己回帰フローに基づく新しい神経因果モデルを提案する。
論文 参考訳（メタデータ） (2023-03-22T16:45:54Z) - Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。
本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
論文 参考訳（メタデータ） (2022-06-15T21:28:36Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z) - 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。