Fugu-MT 論文翻訳(概要): A Fast Non-parametric Approach for Causal Structure Learning in Polytrees

論文の概要: A Fast Non-parametric Approach for Causal Structure Learning in Polytrees

arxiv url: http://arxiv.org/abs/2111.14969v1
Date: Mon, 29 Nov 2021 21:26:48 GMT
ステータス: 処理完了
システム内更新日: 2021-12-01 16:21:41.789275
Title: A Fast Non-parametric Approach for Causal Structure Learning in Polytrees
Title（参考訳）: 多木における因果構造学習のための高速非パラメトリックアプローチ
Authors: Mona Azadkia, Armeen Taeb, Peter B\"uhlmann
Abstract要約: DAG-FOCIは機能的関係や雑音を仮定せずに因果構造学習を高速に行うアルゴリズムである。本稿では,計算生物学におけるDAG-FOCIの適用可能性を示すとともに,仮定違反に対する我々の手法の堅牢性を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the problem of causal structure learning with no assumptions on the functional relationships and noise. We develop DAG-FOCI, a computationally fast algorithm for this setting that is based on the FOCI variable selection algorithm in \cite{azadkia2019simple}. DAG-FOCI requires no tuning parameter and outputs the parents and the Markov boundary of a response variable of interest. We provide high-dimensional guarantees of our procedure when the underlying graph is a polytree. Furthermore, we demonstrate the applicability of DAG-FOCI on real data from computational biology \cite{sachs2005causal} and illustrate the robustness of our methods to violations of assumptions.
Abstract（参考訳）: 機能的関係や雑音を前提とせずに因果構造学習の課題を考察する。我々は,この設定のための計算速度の速いアルゴリズムである dag-foci を開発し,そのアルゴリズムは \cite{azadkia2019simple} の foci 変数選択アルゴリズムに基づいている。 DAG-FOCIはチューニングパラメータを必要とせず、興味のある応答変数の親とマルコフ境界を出力する。グラフがポリツリーである場合の手順の高次元保証を提供する。さらに,計算生物学におけるDAG-FOCIの適用可能性を示すとともに,仮定違反に対する我々の手法の堅牢性を示す。

関連論文リスト

Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-02T04:01:38Z)
Non-negative Weighted DAG Structure Learning [12.139158398361868]
本研究は,真DAGを夜間観測から学習する問題に対処する。本稿では, ar を返すことが保証される手法に基づく DAG 回復アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-09-12T09:41:29Z)
Order-based Structure Learning with Normalizing Flows [7.972479571606131]
観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
論文参考訳（メタデータ） (2023-08-14T22:17:33Z)
Heteroscedastic Causal Structure Learning [2.566492438263125]
ガウス雑音下での不連続因果構造学習問題に取り組む。因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
論文参考訳（メタデータ） (2023-07-16T07:53:16Z)
Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
論文参考訳（メタデータ） (2023-06-05T12:20:40Z)
On the Sparse DAG Structure Learning Based on Adaptive Lasso [39.31370830038554]
適応NOTEARS[30]という,事前定義されたしきい値のないデータ駆動型DAG構造学習手法を開発した。適応型NOTEARSは特定の条件下でのオラクル特性を享受できることを示し, シミュレーションの結果, エッジのギャップをゼロに設定することなく, 提案手法の有効性を検証した。
論文参考訳（メタデータ） (2022-09-07T05:47:59Z)
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)
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文参考訳（メタデータ） (2022-01-28T09:30:32Z)
DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
論文参考訳（メタデータ） (2021-06-14T07:11:36Z)
Integer Programming for Causal Structure Learning in the Presence of Latent Variables [28.893119229428713]
本稿では,整数プログラミング(IP)の定式化を解き,連続変数の集合に対してスコア最大化祖先ADMGを返却する,新しい正確なスコアベース手法を提案する。特に、DAG学習問題に対する最先端IPモデルを一般化し、有効な不等式の新しいクラスを導出し、IPベースのADMG学習モデルを形式化する。
論文参考訳（メタデータ） (2021-02-05T12:10:16Z)
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。