論文の概要: Interventions, Where and How? Experimental Design for Causal Models at Scale

• arxiv url: http://arxiv.org/abs/2203.02016v1
• Date: Thu, 3 Mar 2022 20:59:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 13:53:27.069328
• Title: Interventions, Where and How? Experimental Design for Causal Models at Scale
• Title（参考訳）: インターベンション、どこでどのように? スケールにおける因果モデルの実験設計
• Authors: Panagiotis Tigas, Yashas Annadani, Andrew Jesson, Bernhard Sch\"olkopf, Yarin Gal, Stefan Bauer
• Abstract要約: 観測データと介入データからの因果発見は、限られたデータと非識別性のために困難である。 本稿では,ベイジアン因果発見の最近の進歩を,ベイジアン最適実験設計フレームワークに取り入れる。 本稿では, 線形および非線形SCMの合成グラフと, シリコン内単一細胞遺伝子制御ネットワークデータセットであるDREAMの性能について述べる。
• 参考スコア（独自算出の注目度）: 47.63842422086614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery from observational and interventional data is challenging due to limited data and non-identifiability which introduces uncertainties in estimating the underlying structural causal model (SCM). Incorporating these uncertainties and selecting optimal experiments (interventions) to perform can help to identify the true SCM faster. Existing methods in experimental design for causal discovery from limited data either rely on linear assumptions for the SCM or select only the intervention target. In this paper, we incorporate recent advances in Bayesian causal discovery into the Bayesian optimal experimental design framework, which allows for active causal discovery of nonlinear, large SCMs, while selecting both the target and the value to intervene with. We demonstrate the performance of the proposed method on synthetic graphs (Erdos-R\`enyi, Scale Free) for both linear and nonlinear SCMs as well as on the in-silico single-cell gene regulatory network dataset, DREAM.
• Abstract（参考訳）: 観測データおよび介入データからの因果発見は,基礎構造因果モデル(scm)の推定に不確実性をもたらす限られたデータと非識別性のため困難である。 これらの不確実性を組み込んで最適な実験(介入)を行うことは、真のSCMを素早く特定するのに役立ちます。 限られたデータからの因果発見のための実験設計における既存の方法は、SCMの線形仮定に依存するか、介入対象のみを選択するかのいずれかである。 本稿では,ベイジアン因果発見の最近の進歩をベイジアン最適実験設計フレームワークに組み入れ,非線形で大規模なSCMの因果発見を能動的に行うとともに,対象と介入すべき値の両方を選択した。 本研究では, 線形および非線形SCMの合成グラフ(Erdos-R\enyi, Scale Free)と, シリコン内単細胞遺伝子制御ネットワークデータセットDREAMの性能を示す。

関連論文リスト

• Sparse Regression for Discovery of Constitutive Models from Oscillatory Shear Measurements [0.6906005491572401]
  我々はGiesekusとPhan-Thien Tanner CMを用いて合成実験データを生成する。 本稿では, 実験設計における影響, アルゴリズム改良の可能性, 部分的情報から推定されるCMの非特異性について論じる。
  論文  参考訳（メタデータ） (2024-08-20T11:52:21Z)
• Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
  本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。 GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。 我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-11-24T17:04:45Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions [0.0]
  ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。 観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
  論文  参考訳（メタデータ） (2022-05-05T12:32:08Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。