Fugu-MT 論文翻訳(概要): Score matching enables causal discovery of nonlinear additive noise models

論文の概要: Score matching enables causal discovery of nonlinear additive noise models

arxiv url: http://arxiv.org/abs/2203.04413v1
Date: Tue, 8 Mar 2022 21:34:46 GMT
ステータス: 処理完了
システム内更新日: 2022-03-10 16:20:34.462755
Title: Score matching enables causal discovery of nonlinear additive noise models
Title（参考訳）: スコアマッチングによる非線形付加雑音モデルの因果探索
Authors: Paul Rolland, Volkan Cevher, Matth\"aus Kleindessner, Chris Russel, Bernhard Sch\"olkopf, Dominik Janzing and Francesco Locatello
Abstract要約: 次世代のスケーラブル因果発見手法の設計方法について述べる。本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
参考スコア（独自算出の注目度）: 63.93669924730725
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper demonstrates how to recover causal graphs from the score of the data distribution in non-linear additive (Gaussian) noise models. Using score matching algorithms as a building block, we show how to design a new generation of scalable causal discovery methods. To showcase our approach, we also propose a new efficient method for approximating the score's Jacobian, enabling to recover the causal graph. Empirically, we find that the new algorithm, called SCORE, is competitive with state-of-the-art causal discovery methods while being significantly faster.
Abstract（参考訳）: 本稿では,非線形加算雑音モデル(gaussian)におけるデータ分布のスコアから因果グラフを復元する方法を示す。スコアマッチングアルゴリズムをビルディングブロックとして使用し、新しい世代のスケーラブル因果探索手法を設計する方法を示す。また,提案手法を紹介するために,スコアのヤコビアンを近似し,因果グラフを復元する新しい効率的な手法を提案する。 SCOREと呼ばれる新しいアルゴリズムは、最先端の因果発見手法と競合する一方で、かなり高速である。

関連論文リスト

Asymmetric Graph Error Control with Low Complexity in Causal Bandits [21.812120023339876]
目的は、因果グラフ内のノードに対する最適な介入シーケンスを選択することである。信号が報酬に寄与するノード間の因果関係を利用することで、介入を最適化する。
論文参考訳（メタデータ） (2024-08-20T23:37:08Z)
Integer Programming for Learning Directed Acyclic Graphs from Non-identifiable Gaussian Models [6.54203362045253]
本研究では,連続観測データから有向非巡回グラフを学習する問題について検討する。中規模の問題を学習するための混合整数プログラミングフレームワークを開発した。提案手法は最先端のアルゴリズムより優れ,ノイズの不均一性に対して頑健である。
論文参考訳（メタデータ） (2024-04-19T02:42:13Z)
Anomaly Detection in Networks via Score-Based Generative Models [14.95826212004679]
属性付きグラフにおけるノードの異常検出は、異なるデータセット間でうまく機能するメソッドがないという難しい問題である。グラフ生成モデルにおけるスコアベースモデルの現状に触発され、上記の問題に組み込むことを提案する。提案手法は,小規模グラフ上での競合結果を実現する。
論文参考訳（メタデータ） (2023-06-27T09:28:29Z)
Scalable Causal Discovery with Score Matching [37.13308785728276]
非線型加法的ガウス雑音モデルにおいて、ログライクリフの第2微分から因果グラフ全体の発見方法を示す。我々の手法は、原理的かつスケーラブルな因果探索を可能にし、計算バーを大幅に低下させる。
論文参考訳（メタデータ） (2023-04-06T21:28:16Z)
Causal Discovery with Score Matching on Additive Models with Arbitrary Noise [37.13308785728276]
因果発見法は、構造識別可能性を保証するために必要な仮定のセットによって本質的に制約される。本稿では,雑音項のガウス性に反するエッジ反転のリスクを解析し,この仮説の下での推論の欠点を示す。本稿では,一般的な雑音分布を持つ付加非線形モデルに基づいて生成されたデータから,因果グラフ内の変数の位相的順序付けを推定する新しい手法を提案する。これは、最小限の仮定と、合成データに基づいて実験的にベンチマークされた技術性能の状態を持つ因果探索アルゴリズムであるNoGAMに繋がる。
論文参考訳（メタデータ） (2023-04-06T17:50:46Z)
Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-06T14:49:59Z)
Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文参考訳（メタデータ） (2023-03-02T06:33:48Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
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)

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。