論文の概要: Novel Ordering-based Approaches for Causal Structure Learning in the Presence of Unobserved Variables

• arxiv url: http://arxiv.org/abs/2208.06935v1
• Date: Sun, 14 Aug 2022 23:09:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 14:56:24.501817
• Title: Novel Ordering-based Approaches for Causal Structure Learning in the Presence of Unobserved Variables
• Title（参考訳）: 非観測変数の存在下での因果構造学習の新しい順序付けに基づくアプローチ
• Authors: Ehsan Mokhtarian, Mohammadsadegh Khorasani, Jalal Etesami, Negar Kiyavash
• Abstract要約: 我々は、構造学習のc-orderよりも有利なため、取り外し可能な順序(r-order)と呼ばれる新しい順序を提唱する。 実世界のネットワークとランダムに生成されたネットワークにおける提案手法の性能と拡張性を評価する。
• 参考スコア（独自算出の注目度）: 22.201414668050123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose ordering-based approaches for learning the maximal ancestral graph (MAG) of a structural equation model (SEM) up to its Markov equivalence class (MEC) in the presence of unobserved variables. Existing ordering-based methods in the literature recover a graph through learning a causal order (c-order). We advocate for a novel order called removable order (r-order) as they are advantageous over c-orders for structure learning. This is because r-orders are the minimizers of an appropriately defined optimization problem that could be either solved exactly (using a reinforcement learning approach) or approximately (using a hill-climbing search). Moreover, the r-orders (unlike c-orders) are invariant among all the graphs in a MEC and include c-orders as a subset. Given that set of r-orders is often significantly larger than the set of c-orders, it is easier for the optimization problem to find an r-order instead of a c-order. We evaluate the performance and the scalability of our proposed approaches on both real-world and randomly generated networks.
• Abstract（参考訳）: 構造方程式モデル(SEM)の最大祖先グラフ(MAG)を,観測されていない変数の存在下でマルコフ同値クラス(MEC)まで学習するための順序付けに基づくアプローチを提案する。 文献における既存の順序に基づく手法は、因果順序(c-order)を学習することでグラフを復元する。 我々は、構造学習のc-orderよりも有利な、除去可能な順序(r-order)と呼ばれる新しい順序を提唱する。 これは、r-次数が適切に定義された最適化問題の最小化であり、(強化学習手法を用いて)正確に解けるか、(丘登り探索を用いて)概ね解けるからである。 さらに、(c-次数以外の)r-次数は MEC のすべてのグラフの中で不変であり、c-次を部分集合として含む。 r-次数集合がc-次数集合よりもかなり大きいことを考えると、最適化問題の方がc-次数ではなくr-次数を見つける方が容易である。 我々は,実世界およびランダム生成ネットワークにおける提案手法の性能と拡張性を評価する。

関連論文リスト

• Mirror Natural Evolution Strategies [10.495496415022064]
  我々は、ゼロ階探索で近似された一階情報と二階情報の両方を利用するゼロ階最適化理論に焦点をあてる。 我々は、textttMiNES の推定共分散行列が、目的関数のヘッセン行列の逆行列に収束することを示す。
  論文  参考訳（メタデータ） (2023-08-01T11:45:24Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Discovering Non-monotonic Autoregressive Orderings with Variational Inference [67.27561153666211]
  我々は、訓練データから高品質な生成順序を純粋に検出する、教師なし並列化可能な学習装置を開発した。 エンコーダを非因果的注意を持つトランスフォーマーとして実装し、1つのフォワードパスで置換を出力する。 言語モデリングタスクにおける経験的結果から,我々の手法は文脈認識であり,一定の順序と競合する,あるいはより優れた順序を見つけることができる。
  論文  参考訳（メタデータ） (2021-10-27T16:08:09Z)
• A Deep Generative Model for Matrix Reordering [26.86727566323601]
  グラフの様々な行列の並べ替えの潜在空間を学習する生成モデルを開発する。 学習した潜在空間から直感的なユーザインタフェースを構築し、様々な行列の並べ替えのマップを作成する。 本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-11T02:55:24Z)
• An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm for First-order and Zeroth-order Optimization [111.24899593052851]
  条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。 ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。 1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-09-18T07:08:11Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)
• Regret minimization in stochastic non-convex learning via a proximal-gradient approach [80.59047515124198]
  機械学習やオペレーションの応用によって動機づけられた私たちは、オンラインで制約された問題を最小化するために、一階のオラクルフィードバックを後悔しています。 我々は、近位複雑性低減技術を保証する新しいプロキシグレードを開発する。
  論文  参考訳（メタデータ） (2020-10-13T09:22:21Z)
• Zeroth-Order Algorithms for Smooth Saddle-Point Problems [117.44028458220427]
  ゼロオーダーのオラクルを用いてサドルポイント問題を解くアルゴリズムをいくつか提案する。 解析により、この項の収束率は、一階法よりも$log n$因子の方が悪いことが示されている。 また、混合構成を考慮し、その部分に対してゼロ階のオラクルを使用する1/2階法を開発する。
  論文  参考訳（メタデータ） (2020-09-21T14:26:48Z)
• On Class Orderings for Incremental Learning [36.39530025852268]
  本稿では,データセットの様々な順序を計算する手法を提案する。 提案した注文に対して,最先端のインクリメンタル学習手法を幅広く評価する。
  論文  参考訳（メタデータ） (2020-07-04T17:07:08Z)

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。