論文の概要: Efficient Neural Causal Discovery without Acyclicity Constraints
- arxiv url: http://arxiv.org/abs/2107.10483v1
- Date: Thu, 22 Jul 2021 07:01:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 20:18:35.162614
- Title: Efficient Neural Causal Discovery without Acyclicity Constraints
- Title（参考訳）: 非循環性制約のない効率的な神経因果発見
- Authors: Phillip Lippe, Taco Cohen, Efstratios Gavves
- Abstract要約: 本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。
実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
- 参考スコア（独自算出の注目度）: 30.08586535981525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning the structure of a causal graphical model using both observational
and interventional data is a fundamental problem in many scientific fields. A
promising direction is continuous optimization for score-based methods, which
efficiently learn the causal graph in a data-driven manner. However, to date,
those methods require constrained optimization to enforce acyclicity or lack
convergence guarantees. In this paper, we present ENCO, an efficient structure
learning method for directed, acyclic causal graphs leveraging observational
and interventional data. ENCO formulates the graph search as an optimization of
independent edge likelihoods, with the edge orientation being modeled as a
separate parameter. Consequently, we can provide convergence guarantees of ENCO
under mild conditions without constraining the score function with respect to
acyclicity. In experiments, we show that ENCO can efficiently recover graphs
with hundreds of nodes, an order of magnitude larger than what was previously
possible, while handling deterministic variables and latent confounders.
- Abstract（参考訳）: 観察データと介入データの両方を用いて因果的グラフィカルモデルの構造を学ぶことは、多くの科学分野において根本的な問題である。
有望な方向は、データ駆動方式で効率的に因果グラフを学習するスコアベース手法の連続最適化である。
しかし、これまでこれらの手法は非巡回性や収束保証の欠如を強制するために制約付き最適化が必要であった。
本稿では,観測データと介入データを利用した指向性非循環因果グラフの効率的な構造学習手法であるENCOを提案する。
enco はグラフ探索を独立したエッジ確率の最適化として定式化し、エッジ方向を別のパラメータとしてモデル化する。
その結果, スコア関数を非周期性に制約することなく, 軽度条件下でのENCOの収束保証を行うことができた。
実験では、ENCOは決定論的変数や潜在的共同設立者を扱いながら、数百のノードでグラフを効率よく回収できることを示した。
関連論文リスト
- Kernel-Based Differentiable Learning of Non-Parametric Directed Acyclic Graphical Models [17.52142371968811]
因果発見は因果モデルを符号化する有向非巡回グラフ (DAG) を学ぶことに相当する。
近年の研究では、因果発見を連続最適化問題として再検討し、探索を回避しようとしている。
論文 参考訳（メタデータ） (2024-08-20T16:09:40Z) - Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration [0.0]
本稿では,LiNGAM-SPPフレームワークの3倍拡張を提案する。
パラメータチューニングの必要性は、kNNベースの相互情報の代わりに、ペアワイズ確率比を用いて排除される。
先行知識の組み入れは、すべての因果順序のグラフ表現に実装されたノードスキッピング戦略によって実現される。
論文 参考訳（メタデータ） (2024-04-18T05:59:28Z) - Constraint-Free Structure Learning with Smooth Acyclic Orientations [16.556484521585197]
非循環構造学習のための制約のない連続最適化スキームであるCOSMOを導入する。
明示的な制約がないにもかかわらず、COSMOは常に非巡回解に収束することを示す。
論文 参考訳（メタデータ） (2023-09-15T14:08:09Z) - Differentiable Bayesian Structure Learning with Acyclicity Assurance [7.568978862189266]
トポロジ的順序付けからの知識の統合によりグラフの非巡回性を厳格に制限する代替手法を提案する。
提案手法は、生成したグラフの構造が非循環であることを保証しながら、推論の複雑さを低減することができる。
論文 参考訳（メタデータ） (2023-09-04T06:44:46Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Single-Pass Contrastive Learning Can Work for Both Homophilic and
Heterophilic Graph [60.28340453547902]
グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。
既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。
我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。
経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
論文 参考訳（メタデータ） (2022-11-20T07:18:56Z) - On the Sparse DAG Structure Learning Based on Adaptive Lasso [39.31370830038554]
適応NOTEARS[30]という,事前定義されたしきい値のないデータ駆動型DAG構造学習手法を開発した。
適応型NOTEARSは特定の条件下でのオラクル特性を享受できることを示し, シミュレーションの結果, エッジのギャップをゼロに設定することなく, 提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2022-09-07T05:47:59Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。
本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。
本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
論文 参考訳（メタデータ） (2021-06-14T07:11:36Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳（メタデータ） (2020-12-16T13:48:48Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。