論文の概要: Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data

• arxiv url: http://arxiv.org/abs/2206.08448v1
• Date: Thu, 16 Jun 2022 21:08:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 15:12:45.376817
• Title: Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data
• Title（参考訳）: 不十分なデータに基づくロバスト制約に基づく因果発見に対する経験ベイズ的アプローチ
• Authors: Zijun Cui, Naiyu Yin, Yuru Wang, and Qiang Ji
• Abstract要約: 因果発見法は、多くの実世界のデータセットではそうではないかもしれないデータ飽和度を仮定する。 本研究では,制約に基づく因果探索手法の性能向上を図るため,ベイジアンによる頻繁な独立性試験を提案する。 実験の結果,SOTA法よりも精度と効率が向上した。
• 参考スコア（独自算出の注目度）: 38.883810061897094
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal discovery is to learn cause-effect relationships among variables given observational data and is important for many applications. Existing causal discovery methods assume data sufficiency, which may not be the case in many real world datasets. As a result, many existing causal discovery methods can fail under limited data. In this work, we propose Bayesian-augmented frequentist independence tests to improve the performance of constraint-based causal discovery methods under insufficient data: 1) We firstly introduce a Bayesian method to estimate mutual information (MI), based on which we propose a robust MI based independence test; 2) Secondly, we consider the Bayesian estimation of hypothesis likelihood and incorporate it into a well-defined statistical test, resulting in a robust statistical testing based independence test. We apply proposed independence tests to constraint-based causal discovery methods and evaluate the performance on benchmark datasets with insufficient samples. Experiments show significant performance improvement in terms of both accuracy and efficiency over SOTA methods.
• Abstract（参考訳）: 因果発見は、観測データから変数間の因果関係を学習することであり、多くのアプリケーションにとって重要である。 既存の因果探索法は、多くの実世界のデータセットではそうではないかもしれないデータ不足を前提としている。 その結果、既存の多くの因果発見手法は限られたデータで失敗する可能性がある。 本研究では,制約に基づく因果探索手法の性能向上を目的としたベイズ独立テストを提案する。 1)まず,頑健なMIベース独立テストを提案する相互情報(MI)を推定するベイズ的手法を導入する。 2) ベイジアン推定では, 仮説の確率を推定し, 統計的テストに組み込むことで, 頑健な統計的テストに基づく独立性テストを行う。 提案手法は制約に基づく因果発見法に独立性テストを適用し,サンプル不足のベンチマークデータセットの性能評価を行う。 実験では, sota法と比較して精度と効率の両面で有意な性能改善を示した。

関連論文リスト

• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Differentially private Bayesian tests [1.3127313002783776]
  本稿では,原理的データ生成機構の下で自然に発生する,偏微分プライベートなベイズ仮説テストフレームワークを提案する。 広く使われているテスト統計に基づいて、偏ってプライベートなベイズ因子に着目し、完全なデータ生成機構をモデル化する必要性を回避する。
  論文  参考訳（メタデータ） (2024-01-27T21:07:11Z)
• Assumption violations in causal discovery and the robustness of score matching [38.60630271550033]
  本稿では、最近の因果発見手法の観測データに対する実証的性能を広範囲にベンチマークする。 スコアマッチングに基づく手法は、推定されたグラフの偽陽性と偽陰性率において驚くべき性能を示すことを示す。 本論文は,因果発見手法の評価のための新しい基準を策定することを願っている。
  論文  参考訳（メタデータ） (2023-10-20T09:56:07Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• Sequential Kernelized Independence Testing [101.22966794822084]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• Null Hypothesis Test for Anomaly Detection [0.0]
  我々は、背景のみの仮説を除外した仮説テストを用いて、異常検出のための分類不要ラベルの使用を拡張した。 2つの識別されたデータセット領域の統計的独立性をテストすることで、固定された異常スコアのカットや、各領域間の背景推定の外挿に頼ることなく、背景のみの仮説を除外することができる。
  論文  参考訳（メタデータ） (2022-10-05T13:03:55Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• On the Sample Complexity of Causal Discovery and the Value of Domain Expertise [0.0]
  因果発見法は、純粋観測データからランダム変数間の因果関係を同定する。 本稿では,CIオラクルを使わずに因果探索アルゴリズムのサンプル複雑性を解析する。 我々の方法では、データサンプルの観点からドメインの専門知識の価値を定量化できます。
  論文  参考訳（メタデータ） (2021-02-05T16:26:17Z)

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。