論文の概要: Hybrid Bayesian network discovery with latent variables by scoring
multiple interventions
- arxiv url: http://arxiv.org/abs/2112.10574v1
- Date: Mon, 20 Dec 2021 14:54:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 21:41:09.042750
- Title: Hybrid Bayesian network discovery with latent variables by scoring
multiple interventions
- Title(参考訳): 複数介入のスコアリングによる潜伏変数によるハイブリッドベイズネットワークの探索
- Authors: Kiattikun Chobtham, Anthony C. Constantinou, Neville K. Kitson
- Abstract要約: 離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。
このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。
実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
- 参考スコア(独自算出の注目度): 5.994412766684843
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In Bayesian Networks (BNs), the direction of edges is crucial for causal
reasoning and inference. However, Markov equivalence class considerations mean
it is not always possible to establish edge orientations, which is why many BN
structure learning algorithms cannot orientate all edges from purely
observational data. Moreover, latent confounders can lead to false positive
edges. Relatively few methods have been proposed to address these issues. In
this work, we present the hybrid mFGS-BS (majority rule and Fast Greedy
equivalence Search with Bayesian Scoring) algorithm for structure learning from
discrete data that involves an observational data set and one or more
interventional data sets. The algorithm assumes causal insufficiency in the
presence of latent variables and produces a Partial Ancestral Graph (PAG).
Structure learning relies on a hybrid approach and a novel Bayesian scoring
paradigm that calculates the posterior probability of each directed edge being
added to the learnt graph. Experimental results based on well-known networks of
up to 109 variables and 10k sample size show that mFGS-BS improves structure
learning accuracy relative to the state-of-the-art and it is computationally
efficient.
- Abstract(参考訳): ベイズネットワーク(BN)では、エッジの方向は因果推論と推論に不可欠である。
しかし、マルコフ同値類を考えると、必ずしもエッジ配向を確立することは不可能であり、多くのBN構造学習アルゴリズムは純粋な観測データからすべてのエッジをオリエンテーションできない。
さらに、潜伏した共同ファウンダーは偽陽性に陥る可能性がある。
これらの問題に対処するための比較的少数の手法が提案されている。
本研究では、観測データセットと1つ以上の干渉データセットを含む離散データから構造学習を行うためのハイブリッドmFGS-BS(Majority Rule and Fast Greedy equivalence Search with Bayesian Scoring)アルゴリズムを提案する。
このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。
構造学習は、ハイブリッドアプローチと、学習グラフに追加される各有向エッジの後方確率を計算する新しいベイズスコアリングパラダイムに依存している。
最大109変数と10kサンプルサイズのよく知られたネットワークに基づく実験結果から,mFGS-BSは最先端技術と比較して構造学習精度を向上し,計算効率が向上することが示された。
関連論文リスト
- Graph Structure Learning with Interpretable Bayesian Neural Networks [10.957528713294874]
独立に解釈可能なパラメータを持つ新しい反復を導入する。
これらのパラメータは、エッジ空間のような推定グラフの特性に影響を与える。
これらの反復を解いた後、そのようなグラフの特徴に関する事前知識は、事前分布を形作る。
高速な実行とパラメータ効率により、高忠実度後部近似が可能となる。
論文 参考訳(メタデータ) (2024-06-20T23:27:41Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳(メタデータ) (2023-03-17T02:01:11Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Semi-Supervised Clustering of Sparse Graphs: Crossing the
Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。
ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。
パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文 参考訳(メタデータ) (2022-05-24T00:03:25Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳(メタデータ) (2022-02-28T15:53:10Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - A Sparse Structure Learning Algorithm for Bayesian Network
Identification from Discrete High-Dimensional Data [0.40611352512781856]
本稿では,高次元離散データから疎構造ベイズネットワークを学習する問題に対処する。
本稿では,空間特性とDAG特性を同時に満足するスコア関数を提案する。
具体的には,アルゴリズムを高次元データで効率的に動作させるため,最適化アルゴリズムに分散低減法を用いる。
論文 参考訳(メタデータ) (2021-08-21T12:21:01Z) - DiBS: Differentiable Bayesian Structure Learning [38.01659425023988]
ベイズ構造学習(DiBS)のための汎用的で完全に微分可能なフレームワークを提案する。
DiBSは潜在確率グラフ表現の連続空間で動作する。
既存の研究とは対照的に、DiBSは局所的な条件分布の形式に依存しない。
論文 参考訳(メタデータ) (2021-05-25T11:23:08Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z) - Bayesian network structure learning with causal effects in the presence
of latent variables [6.85316573653194]
本稿では,cFCIの制約に基づく部分とスコアに基づく学習を組み合わせた,CCHMと呼ばれるハイブリッド構造学習アルゴリズムについて述べる。
ランダム化されたネットワークとよく知られたネットワークの両方に基づく実験により、CCHMは真の祖先グラフの再構築の観点から最先端の改善を図っている。
論文 参考訳(メタデータ) (2020-05-29T04:42:28Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。