Fugu-MT 論文翻訳(概要): Learning to Induce Causal Structure

論文の概要: Learning to Induce Causal Structure

arxiv url: http://arxiv.org/abs/2204.04875v1
Date: Mon, 11 Apr 2022 05:38:22 GMT
ステータス: 処理完了
システム内更新日: 2022-04-13 04:18:56.447368
Title: Learning to Induce Causal Structure
Title（参考訳）: 因果構造を誘発する学習
Authors: Nan Rosemary Ke, Silvia Chiappa, Jane Wang, Jorg Bornschein, Theophane Weber, Anirudh Goyal, Matthew Botvinic, Michael Mozer, Danilo Jimenez Rezende
Abstract要約: 本稿では,合成グラフの教師あり学習を通じて,観測データと介入データの両方からグラフ構造へのマッピングを学習するニューラルネットワークアーキテクチャを提案する。提案モデルは,新しい合成グラフだけでなく,自然主義グラフにも一般化可能であることを示す。
参考スコア（独自算出の注目度）: 29.810917060087117
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The fundamental challenge in causal induction is to infer the underlying graph structure given observational and/or interventional data. Most existing causal induction algorithms operate by generating candidate graphs and then evaluating them using either score-based methods (including continuous optimization) or independence tests. In this work, instead of proposing scoring function or independence tests, we treat the inference process as a black box and design a neural network architecture that learns the mapping from both observational and interventional data to graph structures via supervised training on synthetic graphs. We show that the proposed model generalizes not only to new synthetic graphs but also to naturalistic graphs.
Abstract（参考訳）: 因果帰納法の基本的な課題は、観測データや介入データから基礎となるグラフ構造を推測することである。既存の因果誘導アルゴリズムのほとんどは、候補グラフを生成し、スコアベースの方法(継続的な最適化を含む)と独立性テストを使ってそれらを評価することで動作する。本研究では、スコアリング機能や独立性テストを提案する代わりに、推論プロセスをブラックボックスとして扱い、観測データと介入データの両方からグラフ構造へのマッピングを学ぶニューラルネットワークアーキテクチャを合成グラフの教師あり学習を通して設計する。提案モデルは,新しい合成グラフだけでなく,自然主義グラフにも一般化できることを示す。

関連論文リスト

Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
Sparse Graph Learning from Spatiotemporal Time Series [16.427698929775023]
本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
論文参考訳（メタデータ） (2022-05-26T17:02:43Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
論文参考訳（メタデータ） (2022-04-04T10:48:32Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文参考訳（メタデータ） (2021-12-14T14:48:08Z)
Learning to Learn Graph Topologies [27.782971146122218]
ノードデータからグラフ構造へのマッピングを学習する(L2O)。このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
論文参考訳（メタデータ） (2021-10-19T08:42:38Z)
Graphon based Clustering and Testing of Networks: Algorithms and Theory [11.3700474413248]
ネットワークに価値のあるデータは、幅広いアプリケーションで遭遇し、学習の課題を提起する。本稿では,2つのクラスタリングアルゴリズムについて述べる。さらに、グラフ2サンプルテスト問題に対する提案した距離の適用性について検討する。
論文参考訳（メタデータ） (2021-10-06T13:14:44Z)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。