論文の概要: Recursive Causal Structure Learning in the Presence of Latent Variables and Selection Bias

• arxiv url: http://arxiv.org/abs/2110.12036v1
• Date: Fri, 22 Oct 2021 19:49:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 16:35:57.495301
• Title: Recursive Causal Structure Learning in the Presence of Latent Variables and Selection Bias
• Title（参考訳）: 潜在変数と選択バイアスの存在下での帰納的因果構造学習
• Authors: Sina Akbari, Ehsan Mokhtarian, AmirEmad Ghassami, Negar Kiyavash
• Abstract要約: 本稿では,潜伏変数と選択バイアスの存在下での観測データからシステムの因果MAGを学習する問題を考察する。 本稿では,音と完全性を備えた計算効率のよい制約ベースの新しい手法を提案する。 提案手法と人工と実世界の両方の構造に関する技術の現状を比較した実験結果を提供する。
• 参考スコア（独自算出の注目度）: 27.06618125828978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of learning the causal MAG of a system from observational data in the presence of latent variables and selection bias. Constraint-based methods are one of the main approaches for solving this problem, but the existing methods are either computationally impractical when dealing with large graphs or lacking completeness guarantees. We propose a novel computationally efficient recursive constraint-based method that is sound and complete. The key idea of our approach is that at each iteration a specific type of variable is identified and removed. This allows us to learn the structure efficiently and recursively, as this technique reduces both the number of required conditional independence (CI) tests and the size of the conditioning sets. The former substantially reduces the computational complexity, while the latter results in more reliable CI tests. We provide an upper bound on the number of required CI tests in the worst case. To the best of our knowledge, this is the tightest bound in the literature. We further provide a lower bound on the number of CI tests required by any constraint-based method. The upper bound of our proposed approach and the lower bound at most differ by a factor equal to the number of variables in the worst case. We provide experimental results to compare the proposed approach with the state of the art on both synthetic and real-world structures.
• Abstract（参考訳）: 本稿では,潜伏変数と選択バイアスの存在下での観測データからシステムの因果MAGを学習する問題を考察する。 制約に基づく手法はこの問題を解決する主要な手法の1つであるが、既存の手法は大きなグラフを扱う場合や完全性保証の欠如において計算的に非現実的である。 本稿では,新しい計算効率の高い再帰的制約ベース手法を提案する。 このアプローチのキーとなる考え方は、各イテレーションで特定のタイプの変数が識別され、削除されます。 これにより、要求条件独立性テスト(CI)の数と条件セットのサイズの両方を削減できるため、構造を効率的かつ再帰的に学習することができる。 前者は計算複雑性を大幅に減らし、後者はより信頼性の高いCIテストをもたらす。 最悪の場合に必要なciテストの数を上限として提供します。 私たちの知る限りでは、これは文学で最も厳密な境界である。 さらに,制約ベースのメソッドで要求されるciテスト数について,より低いバウンダリを提供する。 提案手法の上限値と下限値の上限値は,最悪の場合の変数数に等しい因子によって大きく異なる。 提案手法を合成と実世界の両方の構造における最先端技術と比較する実験結果を提供する。

関連論文リスト

• Recursive Causal Discovery [22.56309301911757]
  因果発見は、しばしば因果効果の同定と推定に向けた第一歩である。 この論文は、我々の以前の4つの出版物の上に構築され、拡張されている。 本稿では,提案アルゴリズムの統一的なフレームワークについて述べる。
  論文  参考訳（メタデータ） (2024-03-14T11:46:25Z)
• Exploiting Structure for Optimal Multi-Agent Bayesian Decentralized Estimation [4.320393382724066]
  ベイジアン分権データ融合の鍵となる課題は、噂の伝播(double counting)現象である。 マルチエージェント分散核融合問題における確率的独立構造を利用して、より厳密な境界を求めることができることを示す。 次に、大規模目標追跡シミュレーションを用いて、新しいモノリシックCIアルゴリズムを試験し、より厳密な境界とより正確な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-20T05:16:33Z)
• MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
  半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。 本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。 この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
  論文  参考訳（メタデータ） (2022-09-26T12:04:49Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• A Boosting Approach to Reinforcement Learning [59.46285581748018]
  複雑度が状態数に依存しない意思決定プロセスにおける強化学習のための効率的なアルゴリズムについて検討する。 このような弱い学習手法の精度を向上させることができる効率的なアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-08-22T16:00:45Z)
• Improved Algorithms for Agnostic Pool-based Active Classification [20.12178157010804]
  プールに依存しない環境でのバイナリ分類のためのアクティブラーニングを検討する。 我々のアルゴリズムは、画像分類データセットにおけるアートアクティブな学習アルゴリズムの状況よりも優れている。
  論文  参考訳（メタデータ） (2021-05-13T18:24:30Z)
• Constraint-Handling Techniques for Particle Swarm Optimization Algorithms [0.0]
  人口ベースの手法は、従来の方法よりもはるかに複雑な問題を含む、さまざまな問題に対処することができる。 本研究の目的は,アルゴリズムに汎用的な設定を組み込んだPSOに適したCHTを開発し,比較することである。
  論文  参考訳（メタデータ） (2021-01-25T01:49:10Z)
• A Recursive Markov Boundary-Based Approach to Causal Structure Learning [22.38302412440357]
  因果構造学習のための新しい再帰型手法を提案する。 条件付き独立テストの必要回数を大幅に削減する。 実験の結果,提案アルゴリズムは,合成構造と実世界構造の両方において,最先端のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-10-10T13:26:22Z)
• Computational Barriers to Estimation from Low-Degree Polynomials [81.67886161671379]
  本研究では,隠れ構造物の存在を検知する作業において,低次構造物のパワーについて検討する。 大規模な「信号+雑音」問題に対して、任意の程度に達成可能な最良の平均二乗誤差に対して、ユーザフレンドリな下界を与える。 応用として,植込みサブマトリクスに対する低次平均2乗誤差の厳密な評価と高密度サブグラフ問題について述べる。
  論文  参考訳（メタデータ） (2020-08-05T17:52:10Z)
• Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
  構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。 私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。 提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
  論文  参考訳（メタデータ） (2020-07-07T21:26:35Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。