論文の概要: Non-Parametric Inference of Relational Dependence

• arxiv url: http://arxiv.org/abs/2207.00163v1
• Date: Thu, 30 Jun 2022 03:42:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 12:22:32.225473
• Title: Non-Parametric Inference of Relational Dependence
• Title（参考訳）: 関係依存の非パラメトリック推論
• Authors: Ragib Ahsan, Zahra Fatemi, David Arbour, Elena Zheleva
• Abstract要約: 本研究では,関係系から引き出されたデータの独立性を推定する問題について検討する。 我々は,非観測データに対する関係独立性試験を運用するために,一貫した,非パラメトリックでスケーラブルなカーネルテストを提案する。
• 参考スコア（独自算出の注目度）: 17.76905154531867
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Independence testing plays a central role in statistical and causal inference from observational data. Standard independence tests assume that the data samples are independent and identically distributed (i.i.d.) but that assumption is violated in many real-world datasets and applications centered on relational systems. This work examines the problem of estimating independence in data drawn from relational systems by defining sufficient representations for the sets of observations influencing individual instances. Specifically, we define marginal and conditional independence tests for relational data by considering the kernel mean embedding as a flexible aggregation function for relational variables. We propose a consistent, non-parametric, scalable kernel test to operationalize the relational independence test for non-i.i.d. observational data under a set of structural assumptions. We empirically evaluate our proposed method on a variety of synthetic and semi-synthetic networks and demonstrate its effectiveness compared to state-of-the-art kernel-based independence tests.
• Abstract（参考訳）: 独立テストは、観測データからの統計的および因果推論において中心的な役割を果たす。 標準独立試験では、データサンプルは独立しており、同一に分散していると仮定するが、その仮定は多くの実世界のデータセットやリレーショナルシステムを中心としたアプリケーションに違反している。 本研究では、個々のインスタンスに影響を与える観測の集合に対する十分な表現を定義することにより、関係システムから引き出されたデータの独立性を推定する問題を考察する。 具体的には、カーネル平均埋め込みを関係変数のフレキシブルアグリゲーション関数として考慮し、関係データの限界独立性と条件独立性テストを定義する。 構造的前提の下での観測データに対する関係独立性テストを実行するために,一貫した,非パラメトリックでスケーラブルなカーネルテストを提案する。 提案手法を多種多様な合成ネットワークおよび半合成ネットワーク上で実験的に評価し,その効果をカーネルベースの独立性テストと比較した。

関連論文リスト

• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Robust Independence Tests with Finite Sample Guarantees for Synchronous Stochastic Linear Systems [0.0]
  線形時間不変系に対する非漸近的に保証された重要度を持つ頑健な独立性試験を提案する。 我々の手法は、分布のないタイプIの誤差確率の有界性、すなわち、革新は任意の分布を持つことができる。
  論文  参考訳（メタデータ） (2023-08-03T21:13:34Z)
• Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
  逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。 私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
  論文  参考訳（メタデータ） (2023-04-29T01:30:33Z)
• Conditional Independence Testing via Latent Representation Learning [2.566492438263125]
  LCIT(Latent representation based Conditional Independence Test)は、表現学習に基づく条件付き独立テストのための新しい非パラメトリック手法である。 我々の主な貢献は、Z が与えられた X と Y の独立性をテストするための生成的枠組みの提案である。
  論文  参考訳（メタデータ） (2022-09-04T07:16:03Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Data-Driven Representations for Testing Independence: Modeling, Analysis and Connection with Mutual Information Estimation [3.9023554886892433]
  この研究は、データ駆動パーティションの設計から、2つの連続および有限次元のランダム変数の独立性をテストする。 オラクルテストの十分な統計量の近似は、データ駆動パーティションを設計するための学習基準を提供する。 いくつかの実験分析は、データ駆動表現を使用しないいくつかの戦略と比較して、テスト独立性に対する我々のスキームの利点に関する証拠を提供する。
  論文  参考訳（メタデータ） (2021-10-27T02:06:05Z)
• A Subsampling-Based Method for Causal Discovery on Discrete Data [18.35147325731821]
  本研究では,原因発生方式とメカニズムの独立性をテストするためのサブサンプリング方式を提案する。 我々の手法は、離散データと分類データの両方で機能し、データ上の機能的モデルを含まないため、より柔軟なアプローチである。
  論文  参考訳（メタデータ） (2021-08-31T17:11:58Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。