論文の概要: A Meta-Reinforcement Learning Algorithm for Causal Discovery
- arxiv url: http://arxiv.org/abs/2207.08457v1
- Date: Mon, 18 Jul 2022 09:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 21:55:13.277771
- Title: A Meta-Reinforcement Learning Algorithm for Causal Discovery
- Title（参考訳）: 因果発見のためのメタ強化学習アルゴリズム
- Authors: Andreas Sauter and Erman Acar and Vincent Fran\c{c}ois-Lavet
- Abstract要約: 因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。
データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。
我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 3.4806267677524896
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Causal discovery is a major task with the utmost importance for machine
learning since causal structures can enable models to go beyond pure
correlation-based inference and significantly boost their performance. However,
finding causal structures from data poses a significant challenge both in
computational effort and accuracy, let alone its impossibility without
interventions in general. In this paper, we develop a meta-reinforcement
learning algorithm that performs causal discovery by learning to perform
interventions such that it can construct an explicit causal graph. Apart from
being useful for possible downstream applications, the estimated causal graph
also provides an explanation for the data-generating process. In this article,
we show that our algorithm estimates a good graph compared to the SOTA
approaches, even in environments whose underlying causal structure is
previously unseen. Further, we make an ablation study that shows how learning
interventions contribute to the overall performance of our approach. We
conclude that interventions indeed help boost the performance, efficiently
yielding an accurate estimate of the causal structure of a possibly unseen
environment.
- Abstract（参考訳）: 因果構造は、モデルが純粋な相関ベースの推論を超えて、パフォーマンスを大幅に向上させることができるため、機械学習にとって最も重要なタスクである。
しかし、データから因果構造を見つけることは計算の労力と正確性の両方において大きな課題となる。
本稿では,明示的な因果グラフを構築するための介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
ダウンストリームアプリケーションに有用であるだけでなく、推定因果グラフはデータ生成プロセスの説明も提供する。
本稿では,従来の因果構造が見えない環境においても,我々のアルゴリズムがSOTAアプローチと比較してよいグラフを推定していることを示す。
さらに,学習介入がアプローチ全体のパフォーマンスにどのように寄与するかを示すアブレーション研究を行った。
我々は、介入は性能の向上に役立ち、潜在的に目に見えない環境の因果構造を正確に推定できると結論づける。
関連論文リスト
- How much do we really know about Structure Learning from i.i.d. Data? Interpretable, multi-dimensional Performance Indicator for Causal Discovery [3.8443430569753025]
観測データからの因果発見は、データ生成プロセスで使用される構造方程式の定式化に厳密な識別可能性の仮定を課す。
統合された性能評価フレームワークの欠如により、我々は解釈可能な6次元評価指標、すなわち、最適解の距離(DOS)を導入する。
本研究は、7つの異なる家系における構造学習アルゴリズムの性能を、不特定非非線形因果パターンの割合の増加に基づいて評価する最初の研究である。
論文 参考訳（メタデータ） (2024-09-28T15:03:49Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement
Learning [2.7446241148152253]
COREは、因果発見と介入計画のための強化学習に基づくアプローチである。
その結果,COREは未知のグラフに一般化し,因果構造を効率的に発見できることがわかった。
COREは最大10変数のグラフにスケールし、構造推定精度とサンプル効率において既存のアプローチより優れている。
論文 参考訳（メタデータ） (2024-01-30T12:57:52Z) - Predictive Coding beyond Correlations [59.47245250412873]
このようなアルゴリズムのうちの1つは、予測符号化と呼ばれ、因果推論タスクを実行することができるかを示す。
まず、予測符号化の推論過程における簡単な変化が、因果グラフを再利用したり再定義したりすることなく、介入を計算できることを示す。
論文 参考訳（メタデータ） (2023-06-27T13:57:16Z) - 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) - Subset verification and search algorithms for causal DAGs [13.108039226223793]
エッジのサブセット(ターゲットエッジ)間の因果関係を学習するために必要な最小の介入セットを特定する問題について検討する。
介入因果グラフのいくつかの興味深い構造的特性を証明し、ここで研究されるサブセット検証・探索問題以外の応用があると信じている。
論文 参考訳（メタデータ） (2023-01-09T06:25:44Z) - 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) - 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) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-12T20:49:20Z) - Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。
ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-01-15T14:28:21Z)
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。