論文の概要: The m-connecting imset and factorization for ADMG models
- arxiv url: http://arxiv.org/abs/2207.08963v1
- Date: Mon, 18 Jul 2022 22:29:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 13:32:41.535917
- Title: The m-connecting imset and factorization for ADMG models
- Title(参考訳): ADMGモデルに対するm-connecting imsetと分解
- Authors: Bryan Andrews, Gregory F. Cooper, Thomas S. Richardson, Peter Spirtes
- Abstract要約: 非巡回有向混合グラフ(ADMG)モデルはDAGモデルのマージンを特徴づける。
ADMGモデルは、その複雑さと分析のための統計ツールの不足のために、広く使われていない。
我々はADMGによって誘導される独立モデルの代替表現を提供するm-connecting imsetを紹介する。
- 参考スコア(独自算出の注目度): 10.839217026568784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Directed acyclic graph (DAG) models have become widely studied and applied in
statistics and machine learning -- indeed, their simplicity facilitates
efficient procedures for learning and inference. Unfortunately, these models
are not closed under marginalization, making them poorly equipped to handle
systems with latent confounding. Acyclic directed mixed graph (ADMG) models
characterize margins of DAG models, making them far better suited to handle
such systems. However, ADMG models have not seen wide-spread use due to their
complexity and a shortage of statistical tools for their analysis. In this
paper, we introduce the m-connecting imset which provides an alternative
representation for the independence models induced by ADMGs. Furthermore, we
define the m-connecting factorization criterion for ADMG models, characterized
by a single equation, and prove its equivalence to the global Markov property.
The m-connecting imset and factorization criterion provide two new statistical
tools for learning and inference with ADMG models. We demonstrate the
usefulness of these tools by formulating and evaluating a consistent scoring
criterion with a closed form solution.
- Abstract(参考訳): 直接非循環グラフ(DAG)モデルは、統計学や機械学習で広く研究され、応用されている。
残念なことに、これらのモデルは限界化の下では閉じていないため、潜伏した欠点のあるシステムを扱うための装備が不十分である。
非巡回有向混合グラフ(ADMG)モデルはDAGモデルのマージンを特徴付け、そのようなシステムを扱うのに非常に適している。
しかし、ADMGモデルは、その複雑さと分析のための統計ツールの不足のために、広く使われていない。
本稿では,ADMGによって誘導される独立モデルの代替表現を提供するm-connecting imsetを紹介する。
さらに、1つの方程式で特徴づけられるADMGモデルに対するm-connecting factorization criterionを定義し、大域マルコフの性質と等価性を証明した。
m-connecting imsetと factorization criterionは、ADMGモデルによる学習と推論のための2つの新しい統計ツールを提供する。
閉形式解を用いて一貫したスコアリング基準を定式化し,評価することにより,これらのツールの有用性を示す。
関連論文リスト
- Model-Based RL for Mean-Field Games is not Statistically Harder than
Single-Agent RL [64.90038012690403]
モデルに基づく関数近似を用いた平均フィールドゲーム(MFG)における強化学習のサンプル複雑性について検討した。
本稿では、モデルクラスの複雑性を特徴付けるためのより効果的な概念である部分モデルベースエルダー次元(P-MBED)を紹介する。
論文 参考訳(メタデータ) (2024-02-08T14:54:47Z) - AMR Parsing with Causal Hierarchical Attention and Pointers [54.382865897298046]
因果的階層的注意とポインタ機構を備えた新しいAMR解析と新しいモデルCHAPを導入する。
実験の結果, 5つのベンチマークのうち4つのベースラインモデルでは, 追加データがない場合に, ベースラインモデルよりも優れた結果が得られた。
論文 参考訳(メタデータ) (2023-10-18T13:44:26Z) - Incorporating Domain Knowledge in Deep Neural Networks for Discrete
Choice Models [0.5801044612920815]
本稿では,DCMにおけるデータ駆動型アプローチの可能性を拡張するフレームワークを提案する。
これには、必要な関係を表す擬似データサンプルと、その実現度を測定する損失関数が含まれる。
ケーススタディは、このフレームワークの個別選択分析の可能性を示している。
論文 参考訳(メタデータ) (2023-05-30T12:53:55Z) - Maintaining Stability and Plasticity for Predictive Churn Reduction [8.971668467496055]
我々は,累積モデル組合せ (AMC) という解を提案する。
AMCは一般的な手法であり、モデルやデータ特性に応じてそれぞれ独自の利点を持ついくつかの事例を提案する。
論文 参考訳(メタデータ) (2023-05-06T20:56:20Z) - A Guide for Practical Use of ADMG Causal Data Augmentation [0.0]
これらの課題に対処するためのソリューションとして、因果データ拡張戦略が指摘されている。
異なる設定を考慮したADMG因果拡大法を実験的に検討した。
論文 参考訳(メタデータ) (2023-04-03T09:31:13Z) - Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。
Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。
LASSO を用いて Model-to-Match フレームワークを運用する。
論文 参考訳(メタデータ) (2023-02-23T00:43:03Z) - Data-driven Control of Agent-based Models: an Equation/Variable-free
Machine Learning Approach [0.0]
複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。
提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM))
創発力学の数値分岐解析を行うために方程式のない手法を用いる。
我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
論文 参考訳(メタデータ) (2022-07-12T18:16:22Z) - Integer Programming for Causal Structure Learning in the Presence of
Latent Variables [28.893119229428713]
本稿では,整数プログラミング(IP)の定式化を解き,連続変数の集合に対してスコア最大化祖先ADMGを返却する,新しい正確なスコアベース手法を提案する。
特に、DAG学習問題に対する最先端IPモデルを一般化し、有効な不等式の新しいクラスを導出し、IPベースのADMG学習モデルを形式化する。
論文 参考訳(メタデータ) (2021-02-05T12:10:16Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳(メタデータ) (2020-05-08T21:03:48Z)
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。