論文の概要: Latent Variable Models for Bayesian Causal Discovery

• arxiv url: http://arxiv.org/abs/2207.05723v1
• Date: Tue, 12 Jul 2022 17:42:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 13:19:16.988830
• Title: Latent Variable Models for Bayesian Causal Discovery
• Title（参考訳）: ベイズ因果発見のための潜在変数モデル
• Authors: Jithendaraa Subramanian, Yashas Annadani, Ivaxi Sheth, Stefan Bauer, Derek Nowrouzezahrai, Samira Ebrahimi Kahou
• Abstract要約: 素早い相関に頼らない予測器の学習には因果表現を構築する必要がある。 この研究はベイズ発見のためのデコーダモデルであるデコーダを導入し、軽度に教師なしおよび教師なしの設定で実験を行う。
• 参考スコア（独自算出の注目度）: 29.963841449400768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning predictors that do not rely on spurious correlations involves building causal representations. However, learning such a representation is very challenging. We, therefore, formulate the problem of learning a causal representation from high dimensional data and study causal recovery with synthetic data. This work introduces a latent variable decoder model, Decoder BCD, for Bayesian causal discovery and performs experiments in mildly supervised and unsupervised settings. We present a series of synthetic experiments to characterize important factors for causal discovery and show that using known intervention targets as labels helps in unsupervised Bayesian inference over structure and parameters of linear Gaussian additive noise latent structural causal models.
• Abstract（参考訳）: 散発的な相関に依存しない予測因子の学習は因果表現の構築を伴う。 しかし、そのような表現を学ぶことは非常に難しい。 そこで,高次元データから因果表現を学習する問題を定式化し,合成データを用いて因果回復の研究を行う。 この研究はベイジアン因果発見のための潜伏変数デコーダモデルDecoder BCDを導入し、軽度に教師なしおよび教師なしの設定で実験を行う。 因果発見の重要な要因を特徴づける一連の合成実験を行い、既知の介入対象をラベルとして使用することで、線形ガウス付加雑音潜在構造因果モデルの構造とパラメータに関する教師なしベイズ推論が有効であることを示した。

関連論文リスト

• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
  因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。 本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-11T18:12:05Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions [3.441021278275805]
  本研究は,各実験における介入対象が不明な場合の観察に基づく因果構造回復の問題について考察する。 干渉対象の知識のないデータ生成モデルの同値クラスを復元するために,GnIESと呼ばれるグリーディアルゴリズムを導出する。 我々は,この手法を活用し,合成,実,半合成のデータセット上でのGnIESの性能を評価する。
  論文  参考訳（メタデータ） (2022-11-27T17:37:21Z)
• Learning Latent Structural Causal Models [31.686049664958457]
  機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。 本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T20:09:44Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)
• Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders [6.1221613913018675]
  本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。 RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
  論文  参考訳（メタデータ） (2020-01-13T12:55:47Z)

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。