論文の概要: Reframed GES with a Neural Conditional Dependence Measure
- arxiv url: http://arxiv.org/abs/2206.08531v1
- Date: Fri, 17 Jun 2022 03:29:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 12:56:24.862905
- Title: Reframed GES with a Neural Conditional Dependence Measure
- Title（参考訳）: ニューラル条件依存尺度を用いた再構成GES
- Authors: Xinwei Shen, Shengyu Zhu, Jiji Zhang, Shoubo Hu, Zhitang Chen
- Abstract要約: Wevisit the Greedy Equivalence Search (GES) algorithm, which is known as a score-based algorithm for learn the Markov equivalence class (MEC)。
本稿では,GESアルゴリズムの再フレーミングについて述べる。
本稿では,ディープニューラルネットワークの表現力を利用したニューラル条件依存尺度を提案する。
- 参考スコア（独自算出の注目度）: 20.47061693587848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In a nonparametric setting, the causal structure is often identifiable only
up to Markov equivalence, and for the purpose of causal inference, it is useful
to learn a graphical representation of the Markov equivalence class (MEC). In
this paper, we revisit the Greedy Equivalence Search (GES) algorithm, which is
widely cited as a score-based algorithm for learning the MEC of the underlying
causal structure. We observe that in order to make the GES algorithm consistent
in a nonparametric setting, it is not necessary to design a scoring metric that
evaluates graphs. Instead, it suffices to plug in a consistent estimator of a
measure of conditional dependence to guide the search. We therefore present a
reframing of the GES algorithm, which is more flexible than the standard
score-based version and readily lends itself to the nonparametric setting with
a general measure of conditional dependence. In addition, we propose a neural
conditional dependence (NCD) measure, which utilizes the expressive power of
deep neural networks to characterize conditional independence in a
nonparametric manner. We establish the optimality of the reframed GES algorithm
under standard assumptions and the consistency of using our NCD estimator to
decide conditional independence. Together these results justify the proposed
approach. Experimental results demonstrate the effectiveness of our method in
causal discovery, as well as the advantages of using our NCD measure over
kernel-based measures.
- Abstract（参考訳）: 非パラメトリックな設定では、因果構造はしばしばマルコフ同値のみを識別し、因果推論のためにマルコフ同値類(MEC)のグラフィカル表現を学ぶのに有用である。
本稿では,基礎となる因果構造のmecを学習するためのスコアベースアルゴリズムとして広く引用される greedy equivalence search (ges) アルゴリズムを再検討する。
我々は、gesアルゴリズムを非パラメトリックな設定で一貫性を持たせるために、グラフを評価するスコア付けメトリックを設計する必要はないと観察する。
代わりに、条件依存の尺度の一貫した推定器を差し込み、検索を導くだけで十分である。
そこで本研究では,標準スコアベース版よりも柔軟で,条件依存の一般的な尺度を用いて非パラメトリック設定に容易に適合するgesアルゴリズムの再構成を提案する。
さらに,ディープニューラルネットワークの表現力を利用して条件付き独立性を非パラメトリックに特徴付けるニューラル条件付き依存尺度(ncd)を提案する。
標準仮定の下で再構成されたgesアルゴリズムの最適性と、条件付き独立性を決定するための ncd 推定器の使用の一貫性を確立する。
これらの結果は、提案されたアプローチを正当化する。
実験の結果,本手法が因果発見に有効であること,およびNCD測定をカーネルベース測定に応用することの利点が示された。
関連論文リスト
- A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。
現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。
本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T07:24:11Z) - kNN Algorithm for Conditional Mean and Variance Estimation with
Automated Uncertainty Quantification and Variable Selection [8.429136647141487]
我々は従来の非パラメトリックkNNモデルのスケーラビリティと適応性を相乗化するkNNベースの回帰手法を提案する。
本手法は,確率応答変数の条件平均と分散を正確に推定することに焦点を当てる。
2つのケーススタディで示されているように、特に生体医学的応用において顕著である。
論文 参考訳（メタデータ） (2024-02-02T18:54:18Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Multi-kernel Correntropy-based Orientation Estimation of IMUs: Gradient
Descent Methods [3.8286082196845466]
コレントロピーに基づく降下勾配(CGD)とコレントロピーに基づく非結合配向推定(CDOE)
従来の方法は平均二乗誤差(MSE)基準に依存しており、外部加速度や磁気干渉に弱い。
新しいアルゴリズムは、カルマンフィルタベースのアプローチよりも計算の複雑さが著しく低いことを示している。
論文 参考訳（メタデータ） (2023-04-13T13:57:33Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
テンソルの合同ベンチマークとクラスタリングの問題を考察する。
本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-15T21:06:16Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Consistency of Anchor-based Spectral Clustering [0.0]
アンカーベースの手法は、スペクトルクラスタリングアルゴリズムの計算複雑性を低減する。
厳密な分析が可能であり,実践に有効であることを示す。
我々はChenとCaiの最先端のLCC法と競合することが判明した。
論文 参考訳（メタデータ） (2020-06-24T18:34:41Z)
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。