論文の概要: VICause: Simultaneous Missing Value Imputation and Causal Discovery with
Groups
- arxiv url: http://arxiv.org/abs/2110.08223v1
- Date: Fri, 15 Oct 2021 17:35:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 14:46:47.913907
- Title: VICause: Simultaneous Missing Value Imputation and Causal Discovery with
Groups
- Title(参考訳): VICause: グループによる失敗と因果発見を同時に行う
- Authors: Pablo Morales-Alvarez, Angus Lamb, Simon Woodhead, Simon Peyton Jones,
Miltiadis Allamanis, Cheng Zhang
- Abstract要約: 提案するVICauseは,難読値の計算と因果発見をディープラーニングで効率的に行うための新しい手法である。
提案手法は,不備な値計算と因果発見の両方において,人気や近年のアプローチと比較して,性能が向上したことを示す。
- 参考スコア(独自算出の注目度): 12.055670392677248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Missing values constitute an important challenge in real-world machine
learning for both prediction and causal discovery tasks. However, existing
imputation methods are agnostic to causality, while only few methods in
traditional causal discovery can handle missing data in an efficient way. In
this work we propose VICause, a novel approach to simultaneously tackle missing
value imputation and causal discovery efficiently with deep learning.
Particularly, we propose a generative model with a structured latent space and
a graph neural network-based architecture, scaling to large number of
variables. Moreover, our method can discover relationships between groups of
variables which is useful in many real-world applications. VICause shows
improved performance compared to popular and recent approaches in both missing
value imputation and causal discovery.
- Abstract(参考訳): 値の欠如は、予測と因果発見のタスクの両方において、現実世界の機械学習において重要な課題となる。
しかし、既存の計算手法は因果関係に従わないが、従来の因果探索法では欠落したデータを効率的に処理できる方法はほとんどない。
そこで本研究では,深層学習による価値の欠落と因果的発見を同時に取り組む新しいアプローチであるvi causeを提案する。
特に、構造化潜在空間とグラフニューラルネットワークに基づくアーキテクチャを持つ生成モデルを提案し、多数の変数に拡張する。
さらに,実世界の多くのアプリケーションで有用な変数群間の関係を見出すことができる。
VICauseは、値計算の欠如と因果発見の両方において、人気や最近のアプローチと比較してパフォーマンスが向上している。
関連論文リスト
- Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳(メタデータ) (2024-10-13T21:47:36Z) - CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。
因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。
CAnDOITのPython実装も開発され、GitHubで公開されている。
論文 参考訳(メタデータ) (2024-10-03T13:57:08Z) - Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳(メタデータ) (2024-08-29T02:21:11Z) - Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。
既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。
アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
論文 参考訳(メタデータ) (2024-03-19T18:57:53Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳(メタデータ) (2021-11-04T22:38:18Z) - 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)
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。