論文の概要: Structure Learning for Directed Trees
- arxiv url: http://arxiv.org/abs/2108.08871v1
- Date: Thu, 19 Aug 2021 18:38:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 00:20:51.907134
- Title: Structure Learning for Directed Trees
- Title(参考訳): 直立木の構造学習
- Authors: Martin Emil Jakobsen, Rajen D. Shah, Peter B\"uhlmann, Jonas Peters
- Abstract要約: システムの因果構造を知ることは、科学の多くの分野において基本的な関心事であり、システムの操作下でうまく機能する予測アルゴリズムの設計を支援することができる。
データから構造を学習するために、スコアベースの手法は適合の質に応じて異なるグラフを評価する。
大きな非線形モデルでは、これらは真の因果構造を回復する一般的な保証のない最適化アプローチに依存している。
- 参考スコア(独自算出の注目度): 3.1523578265982235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowing the causal structure of a system is of fundamental interest in many
areas of science and can aid the design of prediction algorithms that work well
under manipulations to the system. The causal structure becomes identifiable
from the observational distribution under certain restrictions. To learn the
structure from data, score-based methods evaluate different graphs according to
the quality of their fits. However, for large nonlinear models, these rely on
heuristic optimization approaches with no general guarantees of recovering the
true causal structure. In this paper, we consider structure learning of
directed trees. We propose a fast and scalable method based on Chu-Liu-Edmonds'
algorithm we call causal additive trees (CAT). For the case of Gaussian errors,
we prove consistency in an asymptotic regime with a vanishing identifiability
gap. We also introduce a method for testing substructure hypotheses with
asymptotic family-wise error rate control that is valid post-selection and in
unidentified settings. Furthermore, we study the identifiability gap, which
quantifies how much better the true causal model fits the observational
distribution, and prove that it is lower bounded by local properties of the
causal model. Simulation studies demonstrate the favorable performance of CAT
compared to competing structure learning methods.
- Abstract(参考訳): システムの因果構造を知ることは科学の多くの分野において基本的な関心事であり、システムの操作の下でうまく機能する予測アルゴリズムの設計を支援することができる。
因果構造は、一定の制限の下で観測分布から特定可能となる。
データから構造を学習するために、スコアベースの手法は適合の質に応じて異なるグラフを評価する。
しかし、大きな非線形モデルでは、これらは真の因果構造を回復する一般的な保証のないヒューリスティック最適化アプローチに依存している。
本稿では,有向木の構造学習について考察する。
そこで我々はCAT(Cousal Additive Tree)と呼ばれるChu-Liu-Edmondsのアルゴリズムに基づく高速でスケーラブルな手法を提案する。
ガウス誤差の場合、非漸近的体制における一貫性を証明し、識別可能性ギャップを解消する。
また,家族毎の誤差率制御を漸近的に行うサブストラクチャー仮説の検証手法についても紹介する。
さらに,真因果モデルが観測分布にどの程度適合するかを定量化する識別可能性ギャップを考察し,因果モデルの局所的性質によって境界が低くなっていることを証明した。
シミュレーション研究は、競合する構造学習法と比較してCATの良好な性能を示す。
関連論文リスト
- Robust Model Selection of Non Tree-Structured Gaussian Graphical Models [15.657881698666188]
本稿では,変数(あるいはその部分集合)が独立雑音によって破損した場合に,ガウス図形モデルに基づく構造を学習する問題を考察する。
我々は、(避けられない)木の同値類までの構造を識別するアルゴリズムを考案した。
木構造グラフと同様に、あいまいさは同値類に限られていることを示す。
論文 参考訳(メタデータ) (2022-11-10T16:50:50Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE
Systems from Discrete Observations [132.317721820131]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - 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) - A cautionary tale on fitting decision trees to data from additive
models: generalization lower bounds [9.546094657606178]
本研究では,異なる回帰モデルに対する決定木の一般化性能について検討する。
これにより、アルゴリズムが新しいデータに一般化するために(あるいは作らない)仮定する帰納的バイアスが引き起こされる。
スパース加法モデルに適合する大規模な決定木アルゴリズムに対して、シャープな2乗誤差一般化を低い境界で証明する。
論文 参考訳(メタデータ) (2021-10-18T21:22:40Z) - Causality and Generalizability: Identifiability and Learning Methods [0.0]
この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。
本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。
本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
論文 参考訳(メタデータ) (2021-10-04T13:12:11Z) - 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) - 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) - 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) - 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) - Bayesian network structure learning with causal effects in the presence
of latent variables [6.85316573653194]
本稿では,cFCIの制約に基づく部分とスコアに基づく学習を組み合わせた,CCHMと呼ばれるハイブリッド構造学習アルゴリズムについて述べる。
ランダム化されたネットワークとよく知られたネットワークの両方に基づく実験により、CCHMは真の祖先グラフの再構築の観点から最先端の改善を図っている。
論文 参考訳(メタデータ) (2020-05-29T04:42:28Z)
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。