論文の概要: Optimal transport for causal discovery

• arxiv url: http://arxiv.org/abs/2201.09366v1
• Date: Sun, 23 Jan 2022 21:09:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 17:09:11.796742
• Title: Optimal transport for causal discovery
• Title（参考訳）: 因果発見のための最適輸送
• Authors: Ruibo Tu, Kun Zhang, Hedvig Kjellstr\"om, Cheng Zhang
• Abstract要約: 機能因果モデル(FCM)の新しい動的システムビューを提供する。 次に,両変数の場合の因果方向を同定する新しい枠組みを提案する。 提案手法は, 合成および因果探索ベンチマークを用いて, 最新の結果を示した。
• 参考スコア（独自算出の注目度）: 13.38095181298957
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Approaches based on Functional Causal Models (FCMs) have been proposed to determine causal direction between two variables, by properly restricting model classes; however, their performance is sensitive to the model assumptions, which makes it difficult for practitioners to use. In this paper, we provide a novel dynamical-system view of FCMs and propose a new framework for identifying causal direction in the bivariate case. We first show the connection between FCMs and optimal transport, and then study optimal transport under the constraints of FCMs. Furthermore, by exploiting the dynamical interpretation of optimal transport under the FCM constraints, we determine the corresponding underlying dynamical process of the static cause-effect pair data under the least action principle. It provides a new dimension for describing static causal discovery tasks, while enjoying more freedom for modeling the quantitative causal influences. In particular, we show that Additive Noise Models (ANMs) correspond to volume-preserving pressureless flows. Consequently, based on their velocity field divergence, we introduce a criterion to determine causal direction. With this criterion, we propose a novel optimal transport-based algorithm for ANMs which is robust to the choice of models and extend it to post-noninear models. Our method demonstrated state-of-the-art results on both synthetic and causal discovery benchmark datasets.
• Abstract（参考訳）: モデルクラスを適切に制限することで2変数間の因果方向を決定するために,機能因果モデル(FCM)に基づくアプローチが提案されているが,それらの性能はモデルの仮定に敏感であるため,実践者が使用するのが困難である。 本稿では,fcmsの新しい力学系ビューを提供し,二変量の場合の因果方向を同定するための新しい枠組みを提案する。 まず、FCMと最適輸送の関連性を示し、次にFCMの制約下で最適な輸送について検討する。 さらに、FCM制約下での最適輸送の動的解釈を利用して、最小作用原理の下で静的因果関係データの対応する動的過程を決定する。 静的因果発見タスクを記述するための新しい次元を提供し、定量的因果影響をモデル化する自由を享受する。 特に, 付加雑音モデル (ANM) は容積保存型無圧力流に対応していることを示す。 その結果,速度場のばらつきに基づき,因果方向を決定する基準を導入する。 この基準により、モデルの選択に頑健なANMのための新しい最適トランスポートベースアルゴリズムを提案し、それを非線形モデルに拡張する。 提案手法は, 合成および因果探索ベンチマークを用いて, 最新の結果を示した。

関連論文リスト

• Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
  非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。 本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
  論文  参考訳（メタデータ） (2024-07-06T07:19:21Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
  学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。 我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
  論文  参考訳（メタデータ） (2023-12-15T02:26:35Z)
• Unifying Distributionally Robust Optimization via Optimal Transport Theory [13.19058156672392]
  本稿では,これらの手法を最適輸送に基づく単一フレームワークに統一する新しい手法を提案する。 提案手法により,最適対向分布が同時に摂動確率と結果を得ることが可能となる。 本稿では, この統合フレームワークの実用性を高めるための, トラクタブルな改質手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T08:17:55Z)
• Perimeter Control Using Deep Reinforcement Learning: A Model-free Approach towards Homogeneous Flow Rate Optimization [28.851432612392436]
  周辺制御は、交通密度が臨界値以下であることを保証するため、地域間の移動フローを制御することにより、保護領域内の交通効率を高く維持する。 既存のアプローチは、ネットワーク伝送モデル(NTM)とマクロ基礎図(MFD)に依存するかによって、モデルベースまたはモデルフリーに分類することができる。
  論文  参考訳（メタデータ） (2023-05-29T21:22:08Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach [1.6242924916178285]
  本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。 提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
  論文  参考訳（メタデータ） (2020-07-17T06:03:32Z)

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。