論文の概要: Constraint-Based Causal Structure Learning from Undersampled Graphs
- arxiv url: http://arxiv.org/abs/2205.09235v1
- Date: Wed, 18 May 2022 22:38:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-21 09:07:15.438585
- Title: Constraint-Based Causal Structure Learning from Undersampled Graphs
- Title(参考訳): アンダーサンプルグラフによる制約に基づく因果構造学習
- Authors: Mohammadsajad Abavisani, David Danks and Sergey Plis
- Abstract要約: 時系列データから因果学習アルゴリズムによって推定される図形構造は、非常に誤解を招く因果情報を提供することができる。
制約プログラミングと問題構造に関する理論的知見と、許容因果関係に関する事前情報を組み合わせる。
結果のシステムは、確率変数のかなり大きな集合(>100)までスケールし、時間スケールの差の正確な知識を必要とせず、エッジの誤同定とパラメトリック接続強度をサポートし、多くの可能な解の最適選択を提供する。
- 参考スコア(独自算出の注目度): 1.8448103154557947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphical structures estimated by causal learning algorithms from time series
data can provide highly misleading causal information if the causal timescale
of the generating process fails to match the measurement timescale of the data.
Although this problem has been recently recognized, practitioners have limited
resources to respond to it, and so must continue using models that they know
are likely misleading. Existing methods either (a) require that the difference
between causal and measurement timescales is known; or (b) can handle only very
small number of random variables when the timescale difference is unknown; or
(c) apply to only pairs of variables, though with fewer assumptions about prior
knowledge; or (d) return impractically too many solutions. This paper addresses
all four challenges. We combine constraint programming with both theoretical
insights into the problem structure and prior information about admissible
causal interactions. The resulting system provides a practical approach that
scales to significantly larger sets (>100) of random variables, does not
require precise knowledge of the timescale difference, supports edge
misidentification and parametric connection strengths, and can provide the
optimum choice among many possible solutions. The cumulative impact of these
improvements is gain of multiple orders of magnitude in speed and
informativeness.
- Abstract(参考訳): 時系列データから因果学習アルゴリズムによって推定されるグラフィカルな構造は、生成プロセスの因果時間スケールがデータの計測時間スケールと一致しない場合に、高い誤解を招く因果情報を提供できる。
この問題は最近認識されているが、実践者はそれに対応するリソースが限られており、彼らが知っているモデルを使い続ける必要がある。
既存の方法も
(a)因果時間と測定時間の差が知られていること、又は
(b)時間スケールの差が不明な場合、ごく少数の確率変数しか扱えないこと、又は
(c) 先行知識に関する仮定が少なくても,変数のペアのみに適用する。
(d)非現実的に多くの解を返す。
本稿は4つの課題に対処する。
制約プログラミングと問題構造に関する理論的知見と、許容因果関係に関する事前情報を組み合わせる。
結果のシステムは、確率変数のかなり大きな集合(>100)にスケールし、時間スケールの差の正確な知識を必要とせず、エッジの誤同定とパラメトリック接続強度をサポートし、多くの可能な解の最適選択を提供する実践的なアプローチを提供する。
これらの改善の累積的な影響は、数桁の速度と情報性の獲得である。
関連論文リスト
- Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - R-Tuning: Teaching Large Language Models to Refuse Unknown Questions [68.60002086172133]
我々はRefusal-Aware Instruction Tuning (R-Tuning)と呼ばれる新しいアプローチを提案する。
このアプローチは、まずパラメトリック知識と命令チューニングデータの間の知識ギャップを識別することによって定式化される。
実験により、この新しい命令チューニングアプローチは、既知の質問に答えるモデルの能力を効果的に改善することを示した。
論文 参考訳(メタデータ) (2023-11-16T08:45:44Z) - Bootstrap aggregation and confidence measures to improve time series
causal discovery [0.0]
本稿では,時間的依存関係とラグ構造を保存する時系列因果発見のための新しいブートストラップ手法を提案する。
我々は、この手法を、最先端の条件付き独立性に基づくアルゴリズムPCMCI+と組み合わせる。
論文 参考訳(メタデータ) (2023-06-15T08:37:16Z) - Causal discovery under a confounder blanket [9.196779204457059]
観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。
これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。
これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
論文 参考訳(メタデータ) (2022-05-11T18:10:45Z) - Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。
特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。
以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
論文 参考訳(メタデータ) (2022-02-08T16:39:57Z) - Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise
Learning [65.54757265434465]
ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。
オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。
本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
論文 参考訳(メタデータ) (2021-11-23T18:10:48Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳(メタデータ) (2021-06-14T17:52:49Z) - Normalized multivariate time series causality analysis and causal graph
reconstruction [0.0]
因果分析は科学の中心にある重要な問題であり、データサイエンスと機械学習において特に重要である。
この研究は、情報フローに基づく2変数時間系列因果推論の長期一般化とともに、この作業ラインをコミュニティに紹介する。
結果として得られる公式は透明であり、計算的に非常に効率的なアルゴリズムとして実装することができる。
論文 参考訳(メタデータ) (2021-04-23T00:46:35Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z) - Causal structure learning from time series: Large regression
coefficients may predict causal links better in practice than small p-values [4.014393692461288]
本稿では,因果構造学習のアルゴリズムを,因果関係4気候コンペで優勝した時系列データから説明する。
我々は,確立されたアイデアの組み合わせが,半現実的,現実的な時系列データ上での競合性能をどのように達成するかを検討する。
論文 参考訳(メタデータ) (2020-02-21T23:02:00Z) - DYNOTEARS: Structure Learning from Time-Series Data [6.7638850283606855]
時系列における変数間の同時(イントラスライス)と時間差(インタースライス)を同時に推定する手法を提案する。
動的ベイズネットワークを学習するための最先端の手法と比較して,本手法は実データに対してスケーラブルかつ正確である。
論文 参考訳(メタデータ) (2020-02-02T21:47:48Z)
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。