論文の概要: Causal Structure Learning with Greedy Unconditional Equivalence Search

• arxiv url: http://arxiv.org/abs/2203.00521v1
• Date: Tue, 1 Mar 2022 15:04:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 14:25:55.829076
• Title: Causal Structure Learning with Greedy Unconditional Equivalence Search
• Title（参考訳）: 無条件等価探索による因果構造学習
• Authors: Alex Markham, Danai Deligeorgaki, Pratik Misra, and Liam Solus
• Abstract要約: 有向非巡回グラフ(DAG)モデルを非条件同値まで特徴づける問題を考察する。 我々は、Greedy Unconditional Equivalence Search (GUES)と呼ばれる観測データからDAGモデルを学習するためのハイブリッドアルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 0.26249027950824505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of characterizing directed acyclic graph (DAG) models up to unconditional equivalence, i.e., when two DAGs have the same set of unconditional d-separation statements. Each unconditional equivalence class (UEC) can be uniquely represented with an undirected graph whose clique structure encodes the members of the class. Via this structure, we provide a transformational characterization of unconditional equivalence. Combining these results, we introduce a hybrid algorithm for learning DAG models from observational data, called Greedy Unconditional Equivalence Search (GUES), which first estimates the UEC of the data using independence tests and then greedily searches the UEC for the optimal DAG. Applying GUES on synthetic data, we show that it achieves comparable accuracy to existing methods. However, in contrast to existing methods, since the average UEC is observed to contain few DAGs, the search space for GUES is drastically reduced.
• Abstract（参考訳）: 我々は、有向非巡回グラフ(DAG)モデルを非条件同値(unconditional equivalence)、すなわち、2つのDAGが同じ非条件d-分離文を持つ場合に特徴付ける問題を考える。 それぞれの無条件同値類(UEC)は、そのクラスのメンバーをコードする傾き構造を持つ無向グラフで一意に表現することができる。 この構造のため、非条件同値の変換的特徴付けを提供する。 これらの結果を組み合わせて、Greedy Unconditional Equivalence Search (GUES)と呼ばれる観測データからDAGモデルを学習するためのハイブリッドアルゴリズムを導入する。 合成データにGUESを適用することで,既存の手法に匹敵する精度が得られることを示す。 しかし、従来の手法とは対照的に、平均的なUCCはDAGが少ないことが観察されるため、GUESの検索スペースは大幅に削減される。

関連論文リスト

• Generalized Criterion for Identifiability of Additive Noise Models Using Majorization [7.448620208767376]
  本稿では,有向非巡回グラフ(DAG)モデルに対する新しい識別可能性基準を提案する。 この基準が既存の識別可能性基準を拡張し、一般化することを実証する。 本稿では,変数のトポロジ的順序付けを学習するための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:18:57Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Identifiability Matters: Revealing the Hidden Recoverable Condition in Unbiased Learning to Rank [37.15089945367366]
  クリックデータから関連性を回復できる条件について検討する。 関連性の回復は、同一性グラフ(IG)が接続されている場合にのみ可能となる。 我々は,ノード介入とノードマージという2つの手法を導入し,データセットの修正とIGの接続性回復を図った。
  論文  参考訳（メタデータ） (2023-09-27T10:31:58Z)
• Hierarchical Topological Ordering with Conditional Independence Test for Limited Time Series [40.236595154429246]
  条件付き独立性テスト(HT-CIT)を用いた階層型トポロジカル順序付けアルゴリズムを提案する。 HT-CITアルゴリズムは、刈り取るべきエッジの数を大幅に削減する。 合成および実世界のデータセットから得られた実験結果は,提案したHT-CITアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2023-08-16T05:01:33Z)
• 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)
• Bayesian Causal Inference in Doubly Gaussian DAG-probit Models [0.0]
  ガウスDAG-プロビットモデルの概念を2つの群と2つのガウスDAG-プロビットモデルで導入する。 提案手法を総合シミュレーション実験により検証し、2つの実データに適用した。
  論文  参考訳（メタデータ） (2023-04-12T16:57:47Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• 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)
• Are conditional GANs explicitly conditional? [0.0]
  本稿では,条件付きジェネレーティブ・アドバイザリ・ネットワーク(cGAN)に対する2つのコントリビューションを提案する。 最初の主な貢献は、cGANの分析であり、それらが明示的に条件付きでないことを示すものである。 第2のコントリビューションは、アコントラリオと呼ばれる新しい手法であり、敵アーキテクチャの両部分の条件性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2021-06-28T22:49:27Z)
• DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
  近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。 本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。 本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
  論文  参考訳（メタデータ） (2021-06-14T07:11:36Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)

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。