論文の概要: Improving Efficiency and Accuracy of Causal Discovery Using a
Hierarchical Wrapper
- arxiv url: http://arxiv.org/abs/2107.05001v1
- Date: Sun, 11 Jul 2021 09:24:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 16:23:27.142290
- Title: Improving Efficiency and Accuracy of Causal Discovery Using a
Hierarchical Wrapper
- Title(参考訳): 階層ラッパーを用いた因果発見の効率と精度の向上
- Authors: Shami Nisimov, Yaniv Gurwicz, Raanan Y. Rohekar, Gal Novik
- Abstract要約: 観測データからの因果発見は、科学の多くの分野において重要なツールである。
大規模なサンプルリミットでは、音と完全な因果探索アルゴリズムが導入されている。
しかし、これらのアルゴリズムが使用する統計的テストのパワーを制限するのは、有限のトレーニングデータのみである。
- 参考スコア(独自算出の注目度): 7.570246812206772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal discovery from observational data is an important tool in many
branches of science. Under certain assumptions it allows scientists to explain
phenomena, predict, and make decisions. In the large sample limit, sound and
complete causal discovery algorithms have been previously introduced, where a
directed acyclic graph (DAG), or its equivalence class, representing causal
relations is searched. However, in real-world cases, only finite training data
is available, which limits the power of statistical tests used by these
algorithms, leading to errors in the inferred causal model. This is commonly
addressed by devising a strategy for using as few as possible statistical
tests. In this paper, we introduce such a strategy in the form of a recursive
wrapper for existing constraint-based causal discovery algorithms, which
preserves soundness and completeness. It recursively clusters the observed
variables using the normalized min-cut criterion from the outset, and uses a
baseline causal discovery algorithm during backtracking for learning local
sub-graphs. It then combines them and ensures completeness. By an ablation
study, using synthetic data, and by common real-world benchmarks, we
demonstrate that our approach requires significantly fewer statistical tests,
learns more accurate graphs, and requires shorter run-times than the baseline
algorithm.
- Abstract(参考訳): 観測データからの因果発見は多くの科学分野において重要なツールである。
特定の仮定の下では、科学者は現象を説明し、予測し、決定することができる。
大規模なサンプルリミットでは、音響および完全因果探索アルゴリズムが導入されており、因果関係を表す有向非巡回グラフ(DAG)またはその等価クラスが探索されている。
しかし、現実のケースでは、有限のトレーニングデータしか利用できないため、これらのアルゴリズムが使用する統計的テストのパワーが制限され、推論因果モデルの誤差が生じる。
これは、可能な限り統計テストを使用する戦略を考案することによって、一般的に対処される。
本稿では,既存の制約に基づく因果発見アルゴリズムのための再帰的ラッパーとして,健全性と完全性を保持する戦略を提案する。
初期から正規化されたminカット基準を用いて観測変数を再帰的にクラスタリングし、バックトラック中にベースライン因果探索アルゴリズムを用いて局所的な部分グラフを学習する。
そしてそれらを組み合わせ、完全性を保証する。
Ablation study, using synthetic data, by common real-world benchmarks, we demonstrate that our approach requires significantly less statistics test, learns more accurate graphs, and requires short run-times than the baseline algorithm。
関連論文リスト
- Sample, estimate, aggregate: A recipe for causal discovery foundation
models [30.71561923454788]
本稿では,従来の探索アルゴリズムから予測を解くために,学習モデルを事前訓練した因果探索フレームワークを提案する。
提案手法は, 合成および現実的なデータセット上での最先端性能を実現し, トレーニング中に見えないデータ生成機構に一般化し, 既存のモデルよりも桁違いに高速な推論速度を提供する。
論文 参考訳(メタデータ) (2024-02-02T21:57:58Z) - Precise Error Rates for Computationally Efficient Testing [75.63895690909241]
本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。
線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
論文 参考訳(メタデータ) (2023-11-01T04:41:16Z) - New metrics and search algorithms for weighted causal DAGs [7.424262881242935]
ノード依存コストの適応的介入による因果グラフ発見について検討する。
検索アルゴリズムの最悪の介入コストをキャプチャする新しいベンチマークを定義する。
本研究では,様々な条件下で対数近似を実現する適応探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-08T03:48:37Z) - 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) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳(メタデータ) (2022-06-21T01:46:38Z) - 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) - Accelerating Recursive Partition-Based Causal Structure Learning [4.357523892518871]
帰納的因果探索アルゴリズムは、より小さなサブプロブレムで条件独立性テスト(CI)を用いて良い結果をもたらす。
本稿では,少数のCIテストと望ましくない関係を特定できる汎用因果構造改善戦略を提案する。
次に,合成および実データ集合における解の質と完了時間の観点から,最先端アルゴリズムに対する性能を実証的に評価する。
論文 参考訳(メタデータ) (2021-02-23T08:28:55Z) - A Single Iterative Step for Anytime Causal Discovery [7.570246812206772]
観測された非介入データから因果グラフを回復するための健全で完全なアルゴリズムを提示する。
我々は因果マルコフと忠実性仮定に依存し、基礎となる因果グラフの同値クラスを回復する。
提案アルゴリズムでは,FCIアルゴリズムと比較して,CIテストと条件セットの大幅な削減が要求される。
論文 参考訳(メタデータ) (2020-12-14T13:46:01Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳(メタデータ) (2020-09-28T09:49:38Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-22T21:12:31Z)
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。