論文の概要: Dynamic Causal Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2110.13891v1
• Date: Tue, 26 Oct 2021 17:46:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:23:36.664389
• Title: Dynamic Causal Bayesian Optimization
• Title（参考訳）: 動的因果ベイズ最適化
• Authors: Virginia Aglietti, Neil Dhir, Javier Gonz\'alez, Theodoros Damoulas
• Abstract要約: 本稿では、目的変数と入力の両方が時間とともに進化する因果系において、最適な介入を行うという課題について考察する。 動的因果ベイズ最適化(DCBO)は、逐次意思決定、因果推論、ガウス過程(GP)エミュレーションのアイデアをまとめる。 我々は、DCBOが複数の設定やアプリケーションにおいて競合するアプローチよりも高速に最適な介入を特定する方法を示す。
• 参考スコア（独自算出の注目度）: 20.55846355613685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the problem of performing a sequence of optimal interventions in a causal dynamical system where both the target variable of interest and the inputs evolve over time. This problem arises in a variety of domains e.g. system biology and operational research. Dynamic Causal Bayesian Optimization (DCBO) brings together ideas from sequential decision making, causal inference and Gaussian process (GP) emulation. DCBO is useful in scenarios where all causal effects in a graph are changing over time. At every time step DCBO identifies a local optimal intervention by integrating both observational and past interventional data collected from the system. We give theoretical results detailing how one can transfer interventional information across time steps and define a dynamic causal GP model which can be used to quantify uncertainty and find optimal interventions in practice. We demonstrate how DCBO identifies optimal interventions faster than competing approaches in multiple settings and applications.
• Abstract（参考訳）: 本稿では,対象変数と入力値の両方が時間とともに進化する因果力学系において,最適介入の系列を行う問題について検討する。 この問題は、システム生物学や運用研究など、さまざまな領域で発生する。 動的因果ベイズ最適化(DCBO)は、逐次意思決定、因果推論、ガウス過程(GP)エミュレーションのアイデアをまとめる。 DCBOは、グラフ内のすべての因果効果が時間とともに変化するシナリオで有用である。 ステップ毎のDCBOは、システムから収集された観測データと過去の干渉データの両方を統合することにより、局所的な最適な介入を特定する。 時間ステップをまたいで介入情報を伝達し、不確かさを定量化し、実際に最適な介入を見つけるために使用できる動的因果gpモデルを定義するための理論的結果を与える。 我々は、DCBOが複数の設定やアプリケーションにおいて競合するアプローチよりも迅速に最適な介入を特定する方法を示す。

関連論文リスト

• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• 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)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Causal Discovery and Prediction: Methods and Algorithms [0.0]
  本論文では、各介入の一般的なa-priori評価について紹介する。 任意の因果モデルにおける因果関係を同定する能動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-18T01:19:37Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• CF-GODE: Continuous-Time Causal Inference for Multi-Agent Dynamical Systems [29.358010668392208]
  マルチエージェント力学系における実測結果の予測方法について検討する。 時間的因果推論に関する既存の研究は、単位が互いに独立であるという仮定に依存している。 本稿では,因果モデルであるCounterFactual GraphODEを提案する。
  論文  参考訳（メタデータ） (2023-06-20T00:50:09Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• 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)
• Multi-task Causal Learning with Gaussian Processes [17.205106391379026]
  本稿では、因果モデルの有向非巡回グラフ(DAG)上に定義された一連の介入関数の相関構造を学習する問題について考察する。 本稿では,連続的な介入と異なる変数に対する実験による情報共有が可能な,最初のマルチタスク因果ガウス過程(GP)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-27T11:33:40Z)
• Causal Bayesian Optimization [8.958125394444679]
  本研究では、介入の順序が実行される因果モデルの一部である関心の変数をグローバルに最適化する問題について検討する。 私たちのアプローチは、因果推論、不確実性定量化、シーケンシャルな意思決定といったアイデアを組み合わせています。 因果グラフを理解することで、最適な意思決定戦略を推論する能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-05-24T13:20:50Z)

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。