論文の概要: BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery
- arxiv url: http://arxiv.org/abs/2112.02761v1
- Date: Mon, 6 Dec 2021 03:35:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 07:34:53.096357
- Title: BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery
- Title(参考訳): bcd nets: ベイズ因果発見のためのスケーラブルな変分法
- Authors: Chris Cundy and Aditya Grover and Stefano Ermon
- Abstract要約: 構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
- 参考スコア(独自算出の注目度): 97.79015388276483
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A structural equation model (SEM) is an effective framework to reason over
causal relationships represented via a directed acyclic graph (DAG). Recent
advances have enabled effective maximum-likelihood point estimation of DAGs
from observational data. However, a point estimate may not accurately capture
the uncertainty in inferring the underlying graph in practical scenarios,
wherein the true DAG is non-identifiable and/or the observed dataset is
limited. We propose Bayesian Causal Discovery Nets (BCD Nets), a variational
inference framework for estimating a distribution over DAGs characterizing a
linear-Gaussian SEM. Developing a full Bayesian posterior over DAGs is
challenging due to the the discrete and combinatorial nature of graphs. We
analyse key design choices for scalable VI over DAGs, such as 1) the
parametrization of DAGs via an expressive variational family, 2) a continuous
relaxation that enables low-variance stochastic optimization, and 3) suitable
priors over the latent variables. We provide a series of experiments on real
and synthetic data showing that BCD Nets outperform maximum-likelihood methods
on standard causal discovery metrics such as structural Hamming distance in low
data regimes.
- Abstract(参考訳): 構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大線量推定が可能となった。
しかし、点推定は、実際のシナリオにおいて基礎となるグラフを推測する際の不確実性を正確に把握することができない。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分推論フレームワークであるベイズ因果探索ネット (BCD Nets) を提案する。
DAG 上の完全なベイズ的後部の開発は、グラフの離散的かつ組合せ的性質のために困難である。
私たちはDAGよりもスケーラブルなVIの主要な設計選択を分析します。
1)表現的変動族によるDAGのパラメトリゼーション
2)低分散確率最適化を可能にする連続緩和、及び
3) 潜在変数に対する適切な事前設定。
我々は,BCDネットが低データレシエーションにおける構造ハミング距離などの標準的な因果発見指標において,最大ライクな手法より優れていることを示す実データおよび合成データに関する一連の実験を行った。
関連論文リスト
- Variational DAG Estimation via State Augmentation With Stochastic
Permutations [17.564814736826033]
ベイズネットワークの構造を観測データから推定することは統計的かつ計算的に難しい問題である。
確率的推論の観点から、主な課題は(i) DAG 制約を満たすグラフ上の分布を表すこと、(ii) 基礎空間上の後方を推定することである。
そこで本稿では,DAGと置換の強化空間上に共同分布を定式化することにより,これらの課題に対処するアプローチを提案する。
論文 参考訳(メタデータ) (2024-02-04T23:51:04Z) - Causal Discovery under Identifiable Heteroscedastic Noise Model [50.23769985430187]
因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。
本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。
次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-20T08:51:58Z) - BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。
本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。
我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
論文 参考訳(メタデータ) (2023-07-26T02:34:13Z) - 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) - Causal Graph Discovery from Self and Mutually Exciting Time Series [10.410454851418548]
我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。
Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2023-01-26T16:15:27Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - 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) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳(メタデータ) (2021-06-14T17:52:49Z) - Causal Graph Discovery from Self and Mutually Exciting Time Series [12.802653884445132]
我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。
Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2021-06-04T16:59:24Z)
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。