論文の概要: Matching a Desired Causal State via Shift Interventions

• arxiv url: http://arxiv.org/abs/2107.01850v1
• Date: Mon, 5 Jul 2021 08:11:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-07-06 15:08:06.814933
• Title: Matching a Desired Causal State via Shift Interventions
• Title（参考訳）: シフト介入による望ましい因果状態のマッチング
• Authors: Jiaqi Zhang, Chandler Squires, Caroline Uhler
• Abstract要約: 我々は,能動的学習を通じて,システムの望ましい平均値と一致するシフト介入を特定することの問題点を考察する。 目的と正確に一致することが保証される2つのアクティブな学習戦略を提案する。 我々の戦略は、これまで検討されたアプローチよりも指数関数的に少ない介入を必要とする可能性がある。
• 参考スコア（独自算出の注目度）: 13.89612747723388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transforming a causal system from a given initial state to a desired target state is an important task permeating multiple fields including control theory, biology, and materials science. In causal models, such transformations can be achieved by performing a set of interventions. In this paper, we consider the problem of identifying a shift intervention that matches the desired mean of a system through active learning. We define the Markov equivalence class that is identifiable from shift interventions and propose two active learning strategies that are guaranteed to exactly match a desired mean. We then derive a worst-case lower bound for the number of interventions required and show that these strategies are optimal for certain classes of graphs. In particular, we show that our strategies may require exponentially fewer interventions than the previously considered approaches, which optimize for structure learning in the underlying causal graph. In line with our theoretical results, we also demonstrate experimentally that our proposed active learning strategies require fewer interventions compared to several baselines.
• Abstract（参考訳）: 因果系を与えられた初期状態から所望の目標状態に変換することは、制御理論、生物学、材料科学を含む複数の分野に浸透する重要な課題である。 因果モデルでは、そのような変換は一連の介入を行うことで達成できる。 本稿では,システムの所望の平均に適合するシフト介入をアクティブラーニングによって特定する問題を考える。 我々は,シフト介入から識別可能なマルコフ同値クラスを定義し,所望の平均に正確に一致することを保証した2つのアクティブ学習戦略を提案する。 そして、必要な介入の数に対して最悪の場合の下限を導出し、これらの戦略がグラフの特定のクラスに最適であることを示す。 特に,我々の戦略は,基礎となる因果グラフの構造学習を最適化する従来のアプローチよりも指数関数的に少ない介入を必要とする可能性があることを示す。 また,提案するアクティブラーニング戦略が,複数のベースラインと比較して介入を少なくできることを実験的に実証した。

関連論文リスト

• Do We Need to Verify Step by Step? Rethinking Process Supervision from a Theoretical Perspective [59.61868506896214]
  標準的なデータカバレッジの仮定では、強化学習はプロセスの監督よりも統計的に難しいものではない。 任意のポリシーの利点関数が最適なプロセス報酬モデルとして機能することを証明する。
  論文  参考訳（メタデータ） (2025-02-14T22:21:56Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Causal Discovery under Off-Target Interventions [18.92683981229985]
  因果グラフ発見は様々な分野の応用において重要な問題である。 本研究は,介入数の最小化を目標とした介入設定の下での因果発見問題に対処する。
  論文  参考訳（メタデータ） (2024-02-13T05:43:49Z)
• Subset verification and search algorithms for causal DAGs [13.108039226223793]
  エッジのサブセット(ターゲットエッジ)間の因果関係を学習するために必要な最小の介入セットを特定する問題について検討する。 介入因果グラフのいくつかの興味深い構造的特性を証明し、ここで研究されるサブセット検証・探索問題以外の応用があると信じている。
  論文  参考訳（メタデータ） (2023-01-09T06:25:44Z)
• Strategyproof Decision-Making in Panel Data Settings and Beyond [34.55170300009607]
  複数単位(またはエージェント)の繰り返し測定において、意思決定者がうるさく感じるパネルデータを用いた意思決定の問題を考える。 まず,戦略的介入政策が存在する必要十分条件を特定し,その存在時に簡単な閉じた形態で戦略的防御機構を提供する。 製品販売から18ヶ月にわたって収集した実世界パネルデータを用いて,我々のモデルを実証的に評価した。
  論文  参考訳（メタデータ） (2022-11-25T16:56:42Z)
• 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)
• Algorithms and Theory for Supervised Gradual Domain Adaptation [19.42476993856205]
  本研究では, 学習者に対して, 学習経路に沿った変化分布からラベル付きデータを利用できるようにするための, 教師付き段階的領域適応の課題について検討する。 この設定の下では、軽度な仮定の下で学習誤差に関する最初の一般化上限を提供する。 本研究の結果は, 損失関数の範囲に依存しないアルゴリズムであり, 軌道上の平均学習誤差にのみ依存する。
  論文  参考訳（メタデータ） (2022-04-25T13:26:11Z)
• 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)
• A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
  提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。 我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。 実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-05T15:58:25Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。