論文の概要: BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs
- arxiv url: http://arxiv.org/abs/2201.12003v1
- Date: Fri, 28 Jan 2022 09:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-31 14:47:33.429865
- Title: BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs
- Title（参考訳）: BCDAG:ガウスDAGのベイズ構造と因果学習のためのRパッケージ
- Authors: Federico Castelletti and Alessandro Mascaro
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Directed Acyclic Graphs (DAGs) provide a powerful framework to model causal
relationships among variables in multivariate settings; in addition, through
the do-calculus theory, they allow for the identification and estimation of
causal effects between variables also from pure observational data. In this
setting, the process of inferring the DAG structure from the data is referred
to as causal structure learning or causal discovery. We introduce BCDAG, an R
package for Bayesian causal discovery and causal effect estimation from
Gaussian observational data, implementing the Markov chain Monte Carlo (MCMC)
scheme proposed by Castelletti & Mascaro (2021). Our implementation scales
efficiently with the number of observations and, whenever the DAGs are
sufficiently sparse, with the number of variables in the dataset. The package
also provides functions for convergence diagnostics and for visualizing and
summarizing posterior inference. In this paper, we present the key features of
the underlying methodology along with its implementation in BCDAG. We then
illustrate the main functions and algorithms on both real and simulated
datasets.
- Abstract（参考訳）: 有向非巡回グラフ(英語版)(dags)は多変量設定における変数間の因果関係をモデル化するための強力な枠組みを提供する。
この設定では、データからDAG構造を推定する過程を因果構造学習または因果構造発見と呼ぶ。
ガウス観測データからベイジアン因果発見と因果効果推定のためのRパッケージであるBCDAGを導入し,カステレッティ&マスカロ (2021) が提案したマルコフ連鎖モンテカルロ (MCMC) 方式を実装した。
我々の実装は、観測回数と、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で効率よくスケールする。
また、収束診断や後部推論の可視化及び要約のための機能も提供する。
本稿では,BCDAGの実装とともに,基礎となる方法論の重要な特徴について述べる。
次に,実データとシミュレーションデータの両方において,主な機能とアルゴリズムを説明する。
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) - Directed Cyclic Graph for Causal Discovery from Multivariate Functional
Data [15.26007975367927]
因果構造学習のための機能線形構造方程式モデルを提案する。
解釈可能性を高めるために,本モデルは低次元因果埋め込み空間を含む。
提案モデルが標準仮定の下で因果的同定可能であることを示す。
論文 参考訳（メタデータ） (2023-10-31T15:19:24Z) - 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) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
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。
論文 参考訳（メタデータ） (2021-12-06T03:35:21Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - 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) - Semiparametric Inference For Causal Effects In Graphical Models With
Hidden Variables [13.299431908881425]
隠れ変数有向非巡回グラフに関連する因果モデルにおける因果効果の同定理論をよく研究した。
対応するアルゴリズムは、出力する関数を推定する複雑さのために、過小評価される。
単一処理と単一結果を含む集団レベルの因果効果の同定と推定のギャップを橋渡しする。
論文 参考訳（メタデータ） (2020-03-27T22:29:04Z)
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。