論文の概要: Domain Knowledge in A*-Based Causal Discovery

• arxiv url: http://arxiv.org/abs/2208.08247v1
• Date: Wed, 17 Aug 2022 11:56:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 12:09:54.945516
• Title: Domain Knowledge in A*-Based Causal Discovery
• Title（参考訳）: A*に基づく因果発見におけるドメイン知識
• Authors: Steven Kleinegesse, Andrew R. Lawrence, Hana Chockler
• Abstract要約: 因果発見は、観測データから因果関係を発見したい科学者や実践者にとって重要なツールとなっている。 最近の研究は、制約に基づく因果発見にドメイン知識を取り入れている。 我々は、A*に基づく因果発見に複数の種類のドメイン知識を効率的に統合することに注力する。
• 参考スコア（独自算出の注目度）: 6.510061176722249
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery has become a vital tool for scientists and practitioners wanting to discover causal relationships from observational data. While most previous approaches to causal discovery have implicitly assumed that no expert domain knowledge is available, practitioners can often provide such domain knowledge from prior experience. Recent work has incorporated domain knowledge into constraint-based causal discovery. The majority of such constraint-based methods, however, assume causal faithfulness, which has been shown to be frequently violated in practice. Consequently, there has been renewed attention towards exact-search score-based causal discovery methods, which do not assume causal faithfulness, such as A*-based methods. However, there has been no consideration of these methods in the context of domain knowledge. In this work, we focus on efficiently integrating several types of domain knowledge into A*-based causal discovery. In doing so, we discuss and explain how domain knowledge can reduce the graph search space and then provide an analysis of the potential computational gains. We support these findings with experiments on synthetic and real data, showing that even small amounts of domain knowledge can dramatically speed up A*-based causal discovery and improve its performance and practicality.
• Abstract（参考訳）: 因果発見は、観測データから因果関係を発見したい科学者や実践者にとって重要なツールとなっている。 因果的発見に対するほとんどの以前のアプローチは、専門家のドメイン知識は利用できないと暗黙的に仮定しているが、実践者は、事前の経験からそのようなドメイン知識を提供することができる。 最近の研究はドメイン知識を制約に基づく因果発見に取り入れている。 しかし、そのような制約に基づく手法の大半は因果的忠実さを前提としており、実際に頻繁に違反することが示されている。 その結果、a*ベースの手法のような因果的忠実性を仮定しない正確な検索スコアに基づく因果発見法に再び注目が集まっている。 しかし、これらの手法はドメイン知識の文脈では考慮されていない。 本研究では,複数のドメイン知識をa*に基づく因果発見に効率的に統合することに注力する。 そこで我々は,ドメイン知識がグラフ探索空間を削減し,計算能力の潜在値の分析を行う方法について論じ,解説する。 本研究は,A*に基づく因果発見を劇的に高速化し,その性能と実用性を向上させることを示し,合成データと実データの実験によってこれらの知見を支持した。

関連論文リスト

• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• A Survey on Causal Discovery: Theory and Practice [2.741266294612776]
  因果推論は、原因とその影響を結びつける基礎となる関係を定量化するように設計されている。 本稿では,最近の進歩を統一的に検討し,既存のアルゴリズムを一貫した概要を提供し,有用なツールやデータを報告する。
  論文  参考訳（メタデータ） (2023-05-17T08:18:56Z)
• Optimizing Data-driven Causal Discovery Using Knowledge-guided Search [3.7489744097107316]
  本研究では,知識誘導型因果構造探索(KGS)手法を提案する。 人工的およびベンチマーク的実世界のデータセットを用いて、KGSを複数の環境で評価し、また、酸素治療に関する実生活医療アプリケーションで評価した。
  論文  参考訳（メタデータ） (2023-04-11T20:56:33Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Learning domain-specific causal discovery from time series [7.298647409503783]
  時間変化データからの因果発見は神経科学、医学、機械学習において重要である。 人間の専門知識は必ずしも正確ではなく、豊富なデータを持つ領域では優れる傾向がある。 本研究では,データ駆動手法を用いて時系列のドメイン固有因果探索を向上できるかを検討する。
  論文  参考訳（メタデータ） (2022-09-12T20:32:39Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• To do or not to do: finding causal relations in smart homes [2.064612766965483]
  本稿では,環境と観測データの混合実験から因果モデルを学ぶための新しい手法を提案する。 我々の手法の核心は、選択された介入の使用であり、特に、介入が不可能な変数を考慮に入れた学習である。 本手法をスマートホームシミュレーション,すなわち因果関係を知ることが説明可能なシステムへの道を開くユースケースに応用する。
  論文  参考訳（メタデータ） (2021-05-20T22:36:04Z)
• Selecting Data Augmentation for Simulating Interventions [12.848239550098693]
  純粋に観察データで訓練された機械学習モデルと経験的リスクの原則は、目に見えない領域に一般化することができない。 我々は、データ拡張の成功を説明するために、観察されたドメインとタスクラベルの急激な相関を弱める方法を説明するために、因果的概念を用いることができると論じる。
  論文  参考訳（メタデータ） (2020-05-04T21:33:29Z)
• Explore, Discover and Learn: Unsupervised Discovery of State-Covering Skills [155.11646755470582]
  情報理論的スキル発見の代替手法として,'Explore, Discover and Learn'(EDL)がある。 本稿では,EDLがカバレッジ問題を克服し,学習スキルの初期状態への依存を減らし,ユーザが学習すべき行動について事前定義できるようにするなど,大きなメリットがあることを示す。
  論文  参考訳（メタデータ） (2020-02-10T10:49:53Z)

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。