論文の概要: Fast Causal Orientation Learning in Directed Acyclic Graphs

• arxiv url: http://arxiv.org/abs/2205.13919v1
• Date: Fri, 27 May 2022 11:51:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 23:36:42.886845
• Title: Fast Causal Orientation Learning in Directed Acyclic Graphs
• Title（参考訳）: 有向非巡回グラフにおける高速因果方向学習
• Authors: Ramin Safaeian, Saber Salehkaleybar, Mahmoud Tabandeh
• Abstract要約: COL(Causal Orientation Learning)と呼ばれる、これまで指向していたエッジからエッジの向きを推定することは、一般的な問題である。 本稿では,COL問題の解法として利用できるMeek関数を提案する。 特に,Meek関数を適用した動的プログラミング(DP)手法を提案する。
• 参考スコア（独自算出の注目度）: 8.994447285715367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal relationships among a set of variables are commonly represented by a directed acyclic graph. The orientations of some edges in the causal DAG can be discovered from observational/interventional data. Further edges can be oriented by iteratively applying so-called Meek rules. Inferring edges' orientations from some previously oriented edges, which we call Causal Orientation Learning (COL), is a common problem in various causal discovery tasks. In these tasks, it is often required to solve multiple COL problems and therefore applying Meek rules could be time-consuming. Motivated by Meek rules, we introduce Meek functions that can be utilized in solving COL problems. In particular, we show that these functions have some desirable properties, enabling us to speed up the process of applying Meek rules. In particular, we propose a dynamic programming (DP) based method to apply Meek functions. Moreover, based on the proposed DP method, we present a lower bound on the number of edges that can be oriented as a result of intervention. We also propose a method to check whether some oriented edges belong to a causal DAG. Experimental results show that the proposed methods can outperform previous work in several causal discovery tasks in terms of running-time.
• Abstract（参考訳）: 一連の変数間の因果関係は一般に有向非巡回グラフによって表される。 因果DAGのいくつかのエッジの向きは、観測データやインターベンショナルデータから分かる。 いわゆるmeekルールを反復的に適用することで、さらなるエッジを指向することができる。 COL(Causal Orientation Learning)と呼ばれる先進エッジからエッジの向きを推定することは、様々な因果発見タスクにおいて一般的な問題である。 これらのタスクでは、複数のCOL問題を解決する必要があるため、Meekルールを適用するのに時間がかかる可能性がある。 本稿では,COL問題の解法として活用できるMeek関数を導入する。 特に、これらの関数には望ましい性質があることを示し、Meekルールを適用するプロセスの高速化を可能にします。 特に,Meek関数を適用した動的プログラミング(DP)手法を提案する。 さらに,提案手法を応用して,介入の結果として指向できるエッジ数に対する低境界を提示する。 また,ある方向のエッジが因果DAGに属するかどうかを確認する手法を提案する。 実験の結果,提案手法は,実行時間の観点から,いくつかの因果発見タスクにおいて,過去の作業よりも優れていた。

関連論文リスト

• Learning Regularization for Graph Inverse Problems [16.062351610520693]
  グラフ逆問題(GRIP)を解決するためにGNNを利用するフレームワークを導入する。 このフレームワークは、データに適合するソリューションを見つけるために使用される、可能性と事前条件の組み合わせに基づいている。 本稿では,フレームワークの有効性を示す代表的問題について検討する。
  論文  参考訳（メタデータ） (2024-08-19T22:03:02Z)
• Disentangled Representation Learning with the Gromov-Monge Gap [65.73194652234848]
  乱れのないデータから歪んだ表現を学習することは、機械学習における根本的な課題である。 本稿では,2次最適輸送に基づく非交叉表現学習手法を提案する。 提案手法の有効性を4つの標準ベンチマークで示す。
  論文  参考訳（メタデータ） (2024-07-10T16:51:32Z)
• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• Meek Separators and Their Applications in Targeted Causal Discovery [17.84347390320128]
  我々は、サブセット検索と因果マッチングの2つの問題に焦点をあてる。 小型のMeekセパレータを効率よく見つけるアルゴリズムを提案する。 以上の結果から,両問題に対する既知の平均ケース保証が得られた。
  論文  参考訳（メタデータ） (2023-10-30T23:15:27Z)
• ULTRA-DP: Unifying Graph Pre-training with Multi-task Graph Dual Prompt [67.8934749027315]
  本稿では,タスク識別と位置識別をGNNに注入する,グラフハイブリッド事前学習のための統合フレームワークを提案する。 また,約$k$-nearest隣人のグループに基づいた,新しい事前学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-23T12:11:13Z)
• Gradient-Based Spectral Embeddings of Random Dot Product Graphs [7.612218105739107]
  本稿では,RDPG (Random Dot Product Graph) の組込み問題の解法について述べる。 そこで我々は, 結果の多様体に対して, 実現可能な新しい最適化手法を開発した。 当社のオープンソースアルゴリズムの実装はスケーラブルで、エッジデータに欠ける堅牢さと異なり、ストリーミンググラフからゆっくりと、潜伏した位置を追跡することができます。
  論文  参考訳（メタデータ） (2023-07-25T21:09:55Z)
• Practical Algorithms for Orientations of Partially Directed Graphical Models [5.833272638548153]
  観測研究において、真の因果モデルは通常不明であり、利用可能な観測データと限られた実験データから推定する必要がある。 そのような場合、学習因果モデルは通常、部分有向非巡回グラフ(PDAG)として表される。 本稿の主な焦点は、与えられたPDAGに対して、無向エッジを最大に配向することを目的とした、最大配向タスクである。
  論文  参考訳（メタデータ） (2023-02-28T08:15:49Z)
• Deep Laplacian-based Options for Temporally-Extended Exploration [16.706495139945638]
  ラプラシア語に基づく選択肢を発見するための完全オンラインディープRLアルゴリズムを提案する。 ラプラシアンの固有関数を直接近似する最近の結果は、オプションベースの探索を真にスケールアップするためにどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-01-26T15:45:39Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• GeoQA: A Geometric Question Answering Benchmark Towards Multimodal Numerical Reasoning [172.36214872466707]
  我々は、テキスト記述、視覚図、定理知識の包括的理解を必要とする幾何学的問題を解くことに注力する。 そこで本研究では,5,010の幾何学的問題を含む幾何学的質問応答データセットGeoQAを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:34:17Z)
• Mat\'ern Gaussian Processes on Graphs [67.13902825728718]
  我々は、マタン・ガウス過程の偏微分方程式のキャラクタリゼーションを利用して、そのアナログを無向グラフに対して研究する。 得られたガウス過程がユークリッドアナログやユークリッドアナログの様々な魅力的な性質を継承することを示す。 これにより、グラフのMat'ern Gaussianプロセスがミニバッチや非共役設定に使用できる。
  論文  参考訳（メタデータ） (2020-10-29T13:08:07Z)

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。