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
- 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 [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。
CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
論文 参考訳(メタデータ) (2023-05-10T04:20:36Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - 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) - Active Importance Sampling for Variational Objectives Dominated by Rare
Events: Consequences for Optimization and Generalization [12.617078020344618]
本稿では,レアイベントサンプリング手法とニューラルネットワーク最適化を組み合わせて,レアイベントに支配される目的関数を最適化する手法を提案する。
重要度サンプリングは学習問題に対する解の分散を減少させ,一般化の利点を示唆することを示す。
数値実験により,高次元データと希少データの複合化が困難である場合でも,学習を成功させることができた。
論文 参考訳(メタデータ) (2020-08-11T23:38:09Z) - Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。
ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-01-15T14:28:21Z)
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。