論文の概要: Differentiable DAG Sampling
- arxiv url: http://arxiv.org/abs/2203.08509v1
- Date: Wed, 16 Mar 2022 10:14:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 13:42:35.960206
- Title: Differentiable DAG Sampling
- Title(参考訳): 微分可能なDAGサンプリング
- Authors: Bertrand Charpentier, Simon Kibler, Stephan G\"unnemann
- Abstract要約: DAG(DP-DAG)を用いた新しい微分可能確率モデルを提案する。
DP-DAGは、連続最適化に適した高速かつ微分可能なDAGサンプリングを可能にする。
観測データから新たなDAG学習法であるVI-DP-DAGを提案する。
- 参考スコア(独自算出の注目度): 33.45069308137142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new differentiable probabilistic model over DAGs (DP-DAG).
DP-DAG allows fast and differentiable DAG sampling suited to continuous
optimization. To this end, DP-DAG samples a DAG by successively (1) sampling a
linear ordering of the node and (2) sampling edges consistent with the sampled
linear ordering. We further propose VI-DP-DAG, a new method for DAG learning
from observational data which combines DP-DAG with variational inference.
Hence,VI-DP-DAG approximates the posterior probability over DAG edges given the
observed data. VI-DP-DAG is guaranteed to output a valid DAG at any time during
training and does not require any complex augmented Lagrangian optimization
scheme in contrast to existing differentiable DAG learning approaches. In our
extensive experiments, we compare VI-DP-DAG to other differentiable DAG
learning baselines on synthetic and real datasets. VI-DP-DAG significantly
improves DAG structure and causal mechanism learning while training faster than
competitors.
- Abstract(参考訳): DAG(DP-DAG)に対する新たな微分可能確率モデルを提案する。
DP-DAGは連続最適化に適した高速かつ微分可能なDAGサンプリングを可能にする。
この目的のために,DP-DAG は,(1) ノードの線形順序と(2) サンプリングエッジをサンプリングして DAG をサンプリングする。
また、DP-DAGと変分推論を組み合わせた観測データから新しいDAG学習法であるVI-DP-DAGを提案する。
したがって、VI-DP-DAGは観測されたデータからDAGエッジの後方確率を近似する。
VI-DP-DAGは、トレーニング中いつでも有効なDAGを出力することが保証されており、既存の微分可能DAG学習手法とは対照的に、複雑なラグランジアン最適化スキームを必要としない。
広汎な実験では、VI-DP-DAGと、合成および実データに基づく他の微分可能なDAG学習ベースラインを比較した。
VI-DP-DAG は DAG の構造と因果メカニズムの学習を, 競合他社よりも速く向上させる。
関連論文リスト
- LayerDAG: A Layerwise Autoregressive Diffusion Model for Directed Acyclic Graph Generation [17.94316378710172]
本稿では,自己回帰拡散モデルであるLayerDAGを導入し,リアル指向非巡回グラフ(DAG)を生成する。
ノードの部分順序を二部グラフのシーケンスとして解釈することにより、LayerDAGは、強いノード依存を順次処理可能な管理可能なユニットに分離する。
様々なコンピューティングプラットフォームからの合成および実世界のフローグラフに関する実験により、LayerDAGはより優れた統計特性とベンチマーク性能を持つ有効なDAGを生成することが示された。
論文 参考訳(メタデータ) (2024-11-04T17:47:15Z) - Graph Adversarial Diffusion Convolution [49.974206213411904]
本稿では,グラフ信号デノイング(GSD)問題に対する min-max 最適化の定式化を提案する。
Graph Adversarial Diffusion Convolution (GADC)と呼ばれる新しいGraph Diffusion Convolutionアーキテクチャを導出する。
論文 参考訳(メタデータ) (2024-06-04T07:43:04Z) - Convolutional Learning on Directed Acyclic Graphs [10.282099295800322]
我々は、有向非巡回グラフ(DAG)上で定義されたデータから学習するための新しい畳み込みアーキテクチャを開発する。
我々は,学習可能なDAGフィルタを統合した新しい畳み込みグラフニューラルネットワークを開発し,グラフトポロジによって誘導される部分順序を考慮に入れた。
論文 参考訳(メタデータ) (2024-05-05T21:30:18Z) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-11T16:43:16Z) - Structure Learning with Adaptive Random Neighborhood Informed MCMC [0.0]
観測データに基づく構造学習の課題に対して,新しいMCMCサンプルであるPARNI-DAGを導入する。
因果補充性の仮定の下で、このアルゴリズムは方向非巡回グラフ(DAG)の後方分布から直接近似的なサンプリングを行うことができる。
種々の実験でDAG構造を学習する際の混合効率と精度を実証的に実証した。
論文 参考訳(メタデータ) (2023-11-01T15:47:18Z) - Structural transfer learning of non-Gaussian DAG [24.11895013147964]
直接非巡回グラフ(DAG)は、収集されたノードの集合間の方向関係を表現するために広く用いられている。
対象研究において、DAG構造を再構築するために、異種データをまとめる方法については、未解決の問題が残る。
本稿では,DAGの構造的類似度尺度を新たに導入し,DAG学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-16T10:01:27Z) - Learning Better with Less: Effective Augmentation for Sample-Efficient
Visual Reinforcement Learning [57.83232242068982]
データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。
サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。
本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
論文 参考訳(メタデータ) (2023-05-25T15:46:20Z) - DAPDAG: Domain Adaptation via Perturbed DAG Reconstruction [78.76115370275733]
本研究では,人口統計量の推定を行う自動エンコーダを学習し,有向非巡回グラフ(DAG)を補助的タスクとして再構築する。
基礎となるDAG構造は、条件分布が潜伏環境変数$E$によって導かれる領域間で変化することが許される観測変数の間で不変であると仮定される。
我々は、エンコーダとデコーダをエンドツーエンドで共同で訓練し、混合変数を用いた合成および実データセットの実験を行う。
論文 参考訳(メタデータ) (2022-08-02T11:43:03Z) - 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)
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。