Fugu-MT 論文翻訳(概要): Characterization of causal ancestral graphs for time series with latent confounders

論文の概要: Characterization of causal ancestral graphs for time series with latent confounders

arxiv url: http://arxiv.org/abs/2112.08417v2
Date: Thu, 5 Oct 2023 12:29:14 GMT
ステータス: 処理完了
システム内更新日: 2023-10-06 23:32:32.544876
Title: Characterization of causal ancestral graphs for time series with latent confounders
Title（参考訳）: 潜伏共同設立者の時系列における因果祖先グラフの特徴
Authors: Andreas Gerhardus
Abstract要約: 本稿では,時間ラグ特定因果関係を表すグラフィカルモデルについて紹介する。現在使用されているモデルクラスの適切なサブセットを構成することを示す。さらに、新しいグラフのマルコフ同値クラスのグラフィカル表現を導入する。
参考スコア（独自算出の注目度）: 1.6317061277457001
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce a novel class of graphical models for representing time lag specific causal relationships and independencies of multivariate time series with unobserved confounders. We completely characterize these graphs and show that they constitute proper subsets of the currently employed model classes. As we show, from the novel graphs one can thus draw stronger causal inferences -- without additional assumptions. We further introduce a graphical representation of Markov equivalence classes of the novel graphs. This graphical representation contains more causal knowledge than what current state-of-the-art causal discovery algorithms learn.
Abstract（参考訳）: 本稿では,時間遅れ特有の因果関係や多変量時系列の非依存を表現するための新しいグラフィカルモデルについて紹介する。これらのグラフを完全に特徴付け、現在使われているモデルクラスの適切なサブセットを構成することを示す。このように、新しいグラフから、追加の仮定なしに、より強力な因果推論を引き出すことができる。さらに,新しいグラフのマルコフ同値クラスの図式表現についても紹介する。このグラフィカル表現は、現在最先端の因果発見アルゴリズムが学んでいるものよりも多くの因果知識を含んでいる。

関連論文リスト

CEGRL-TKGR: A Causal Enhanced Graph Representation Learning Framework for Improving Temporal Knowledge Graph Extrapolation Reasoning [1.6795461001108096]
時間的知識グラフ推論(TKGR)のための革新的な因果拡張グラフ表現学習フレームワークを提案する。まず、時間グラフ列における実体と関係の進化的表現を、2つの異なる成分、すなわち因果表現と共起表現に分解する。
論文参考訳（メタデータ） (2024-08-15T03:34:53Z)
GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
論文参考訳（メタデータ） (2024-03-02T02:28:20Z)
Overcoming Order in Autoregressive Graph Generation [12.351817671944515]
グラフ生成は、化学やソーシャルネットワークなど、さまざまな領域における基本的な問題である。近年の研究では、リカレントニューラルネットワーク(RNN)を用いた分子グラフ生成が、従来の生成手法と比較して有利であることが示されている。
論文参考訳（メタデータ） (2024-02-04T09:58:22Z)
GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文参考訳（メタデータ） (2023-10-20T22:12:46Z)
Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文参考訳（メタデータ） (2023-03-07T14:58:18Z)
CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
グラフ上での対実的説明生成の問題について検討する。グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
論文参考訳（メタデータ） (2022-10-16T04:35:32Z)
A New Heterogeneous Graph Representation in a Social Media Platform: Steemit [2.127049691404299]
グラフの各成分に時間を含む新しい異種グラフ表現を提案する。また、機械学習やディープラーニングの問題に対処するために、4つの時間依存クエリを導入します。
論文参考訳（メタデータ） (2022-09-02T04:59:21Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
論文参考訳（メタデータ） (2021-04-15T17:51:36Z)
Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文参考訳（メタデータ） (2020-06-29T01:01:42Z)
Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
論文参考訳（メタデータ） (2020-04-28T00:53:01Z)

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。