論文の概要: Causality Learning With Wasserstein Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2206.01496v1
• Date: Fri, 3 Jun 2022 10:45:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 20:59:13.690073
• Title: Causality Learning With Wasserstein Generative Adversarial Networks
• Title（参考訳）: Wasserstein生成逆数ネットワークを用いた因果学習
• Authors: Hristo Petkov, Colin Hanley and Feng Dong
• Abstract要約: DAG-WGANという名前のモデルは、ワッサーシュタインに基づく対向損失とオートエンコーダアーキテクチャにおける非巡回性制約を組み合わせたものである。 データ生成能力を改善しながら、因果構造を同時に学習する。 本稿では,DAG-WGAN と Wsserstein 計量を含まない他のモデルとの比較を行い,その因果構造学習への寄与を明らかにする。
• 参考スコア（独自算出の注目度）: 2.492300648514129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional methods for causal structure learning from data face significant challenges due to combinatorial search space. Recently, the problem has been formulated into a continuous optimization framework with an acyclicity constraint to learn Directed Acyclic Graphs (DAGs). Such a framework allows the utilization of deep generative models for causal structure learning to better capture the relations between data sample distributions and DAGs. However, so far no study has experimented with the use of Wasserstein distance in the context of causal structure learning. Our model named DAG-WGAN combines the Wasserstein-based adversarial loss with an acyclicity constraint in an auto-encoder architecture. It simultaneously learns causal structures while improving its data generation capability. We compare the performance of DAG-WGAN with other models that do not involve the Wasserstein metric in order to identify its contribution to causal structure learning. Our model performs better with high cardinality data according to our experiments.
• Abstract（参考訳）: データから因果構造学習を行う従来の方法は,組合せ探索空間による大きな課題に直面している。 近年,この問題はDAG(Directed Acyclic Graphs)を学習するための非巡回性制約付き連続最適化フレームワークに定式化されている。 このようなフレームワークは、データサンプル分布とdagの関係をよりよく捉えるために、因果構造学習に深い生成モデルの活用を可能にする。 しかし, 因果構造学習の文脈において, ワッサースタイン距離を用いた実験は行われていない。 我々のモデルであるDAG-WGANは、ワッサーシュタインに基づく対向損失と、オートエンコーダアーキテクチャにおける非巡回性制約を組み合わせたものである。 データ生成能力を改善しながら、因果構造を同時に学習する。 本稿では,DAG-WGAN と Wsserstein 計量を含まない他のモデルとの比較を行い,その因果構造学習への寄与を明らかにする。 実験により,高濃度データを用いたモデルの性能が向上した。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Tree Search in DAG Space with Model-based Reinforcement Learning for Causal Discovery [6.772856304452474]
  CD-UCTは木探索に基づく因果探索のためのモデルに基づく強化学習手法である。 我々は、サイクルを導入するエッジを排除するための効率的なアルゴリズムの正しさを形式化し、証明する。 提案手法は離散確率変数と連続確率変数の両方を持つ因果ベイズネットワークに広く適用することができる。
  論文  参考訳（メタデータ） (2023-10-20T15:14:18Z)
• Heteroscedastic Causal Structure Learning [2.566492438263125]
  ガウス雑音下での不連続因果構造学習問題に取り組む。 因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。 その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
  論文  参考訳（メタデータ） (2023-07-16T07:53:16Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• Directed Acyclic Graph Structure Learning from Dynamic Graphs [44.21230819336437]
  特徴(変数)の有向非巡回グラフ(DAG)の構造を推定することは、潜在データ生成プロセスを明らかにする上で重要な役割を果たす。 このようなユビキタスな動的グラフデータに基づくノード特徴生成機構の学習問題について検討する。
  論文  参考訳（メタデータ） (2022-11-30T14:22:01Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• DAG-WGAN: Causal Structure Learning With Wasserstein Generative Adversarial Networks [2.492300648514129]
  本稿では、自動エンコーダアーキテクチャであるワッサーシュタインに基づく対向損失と非循環性制約を組み合わせたDAG-WGANを提案する。 同時に因果構造を学習し、ワッサーシュタイン距離メートル法から強度を利用することによりデータ生成能力を向上させる。 我々はDAG-WGANを最先端技術に対して評価し,その性能を実証した。
  論文  参考訳（メタデータ） (2022-04-01T12:27:27Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
  我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。 マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。 理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
  論文  参考訳（メタデータ） (2021-11-03T22:10:18Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。