論文の概要: A Unified Experiment Design Approach for Cyclic and Acyclic Causal Models

• arxiv url: http://arxiv.org/abs/2205.10083v3
• Date: Wed, 13 Dec 2023 23:46:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-16 05:42:17.257015
• Title: A Unified Experiment Design Approach for Cyclic and Acyclic Causal Models
• Title（参考訳）: 循環・非循環因果モデルのための統一実験設計手法
• Authors: Ehsan Mokhtarian, Saber Salehkaleybar, AmirEmad Ghassami, Negar Kiyavash
• Abstract要約: 本研究では,単純なSCMの因果グラフを一意に同定するための実験設計について検討する。 循環グラフと非循環グラフの両方を学習できる実験設計手法を提案する。 この手法は,最悪の場合,因果グラフを一意に識別するために必要な最大の実験のサイズで最適であることを示す。
• 参考スコア（独自算出の注目度）: 32.88438123861557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study experiment design for unique identification of the causal graph of a simple SCM, where the graph may contain cycles. The presence of cycles in the structure introduces major challenges for experiment design as, unlike acyclic graphs, learning the skeleton of causal graphs with cycles may not be possible from merely the observational distribution. Furthermore, intervening on a variable in such graphs does not necessarily lead to orienting all the edges incident to it. In this paper, we propose an experiment design approach that can learn both cyclic and acyclic graphs and hence, unifies the task of experiment design for both types of graphs. We provide a lower bound on the number of experiments required to guarantee the unique identification of the causal graph in the worst case, showing that the proposed approach is order-optimal in terms of the number of experiments up to an additive logarithmic term. Moreover, we extend our result to the setting where the size of each experiment is bounded by a constant. For this case, we show that our approach is optimal in terms of the size of the largest experiment required for uniquely identifying the causal graph in the worst case.
• Abstract（参考訳）: 本研究では,単純なSCMの因果グラフのユニークな識別のための実験設計について検討する。 構造におけるサイクルの存在は、非循環グラフとは異なり、単に観察分布から因果グラフの骨格を学ぶことは不可能なため、実験設計における大きな課題をもたらす。 さらに、そのようなグラフの変数に介入することは、そのグラフに付随するすべてのエッジを指向させるとは限らない。 本稿では,循環グラフと非循環グラフの両方を学習可能な実験設計手法を提案する。 最悪の場合において因果グラフの独特な識別を保証するのに必要な実験数の上限を低くし,加法対数項までの実験数に関して提案手法が最適であることを示す。 さらに、各実験のサイズが定数で区切られるような設定まで結果を広げる。 この場合,本手法は,最悪の場合において因果グラフを一意に識別するために必要な最大実験のサイズで最適であることを示す。

関連論文リスト

• Scalable Variational Causal Discovery Unconstrained by Acyclicity [6.954510776782872]
  観測データから得られた因果グラフ上の後部分布を学習するために,スケーラブルなベイズ的手法を提案する。 有効な非巡回因果グラフを生成することができる新しい微分可能なDAGサンプリング手法を提案する。 連続領域上の単純な変分分布を用いて因果グラフ上の後部分布をモデル化することができる。
  論文  参考訳（メタデータ） (2024-07-06T07:56:23Z)
• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• Differentiable Bayesian Structure Learning with Acyclicity Assurance [7.568978862189266]
  トポロジ的順序付けからの知識の統合によりグラフの非巡回性を厳格に制限する代替手法を提案する。 提案手法は、生成したグラフの構造が非循環であることを保証しながら、推論の複雑さを低減することができる。
  論文  参考訳（メタデータ） (2023-09-04T06:44:46Z)
• 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)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Efficient Neural Causal Discovery without Acyclicity Constraints [30.08586535981525]
  本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。 実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
  論文  参考訳（メタデータ） (2021-07-22T07:01:41Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• Structure Learning for Cyclic Linear Causal Models [5.567377163246147]
  観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。 循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。
  論文  参考訳（メタデータ） (2020-06-10T17:47:28Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。