論文の概要: Causal Entropy Optimization

• arxiv url: http://arxiv.org/abs/2208.10981v1
• Date: Tue, 23 Aug 2022 13:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:38:18.018333
• Title: Causal Entropy Optimization
• Title（参考訳）: 因果エントロピー最適化
• Authors: Nicola Branchini and Virginia Aglietti and Neil Dhir and Theodoros Damoulas
• Abstract要約: コーサルベイズ最適化(CBO)を一般化し,不確実性の原因を全て考慮する枠組みを提案する。 CEOは因果構造の不確実性を、因果効果の代理モデルと、介入の選択に使用されるメカニズムの両方に組み込んでいる。 CEOは、グラフを学習しながら、CBOと比較してグローバルな最適化に早く収束する。
• 参考スコア（独自算出の注目度）: 12.708838587765307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of globally optimizing the causal effect on a target variable of an unknown causal graph in which interventions can be performed. This problem arises in many areas of science including biology, operations research and healthcare. We propose Causal Entropy Optimization (CEO), a framework that generalizes Causal Bayesian Optimization (CBO) to account for all sources of uncertainty, including the one arising from the causal graph structure. CEO incorporates the causal structure uncertainty both in the surrogate models for the causal effects and in the mechanism used to select interventions via an information-theoretic acquisition function. The resulting algorithm automatically trades-off structure learning and causal effect optimization, while naturally accounting for observation noise. For various synthetic and real-world structural causal models, CEO achieves faster convergence to the global optimum compared with CBO while also learning the graph. Furthermore, our joint approach to structure learning and causal optimization improves upon sequential, structure-learning-first approaches.
• Abstract（参考訳）: 本研究では,介入を行う未知の因果グラフの目的変数に対する因果効果をグローバルに最適化する問題について検討する。 この問題は生物学、運用研究、医療など多くの分野で発生している。 本稿では,因果グラフ構造から生じるすべての不確実性の原因を説明するために,因果ベイズ最適化(CBO)を一般化するフレームワークである因果エントロピー最適化(CEO)を提案する。 CEOは因果構造の不確実性を、因果効果の代理モデルと、情報理論獲得機能を介して介入を選択するメカニズムの両方に組み込んでいる。 得られたアルゴリズムは、観測ノイズを自然に考慮しながら、構造学習と因果効果の最適化を自動的にトレードオフする。 様々な合成および実世界の構造因果モデルに対して、CEOはグラフを学習しながらCBOと比較して、グローバルな最適性へのより速い収束を達成する。 さらに,構造学習と因果最適化の合同アプローチは,逐次的構造学習優先アプローチにより改善する。

関連論文リスト

• Graph Agnostic Causal Bayesian Optimisation [2.624902795082451]
  本研究では,ソフトな介入やハードな介入を行なえる未知の因果グラフのターゲット変数を大域的に最適化する問題について検討する。 本稿では,最適報酬の達成に寄与する因果構造を積極的に発見するアルゴリズムであるグラフアグノスティック因果ベイズ最適化(GACBO)を提案する。 提案アルゴリズムは,シミュレーション実験や実世界の応用において,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-05T11:49:33Z)
• Optimal Observation-Intervention Trade-Off in Optimisation Problems with Causal Structure [1.724169474984623]
  観察・干渉トレードオフは筋電図的でない最適停止問題として定式化できることを示す。 我々の定式化は、実および合成ベンチマーク上で既存のアルゴリズムを強化することができることを示す。
  論文  参考訳（メタデータ） (2023-09-05T14:46:06Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• 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)
• Constrained Causal Bayesian Optimization [9.409281517596396]
  cCBOはまず、グラフ構造を利用して探索空間を減らし、もし可能であれば観測データセットを作成する。 実世界の因果グラフ上でcCBOを評価し, 高速収束と実現可能な介入の比率のトレードオフが成功したことを示す。
  論文  参考訳（メタデータ） (2023-05-31T16:34:58Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
  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。
  論文  参考訳（メタデータ） (2022-07-18T09:26:07Z)
• 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)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)
• 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)
• Causal Bayesian Optimization [8.958125394444679]
  本研究では、介入の順序が実行される因果モデルの一部である関心の変数をグローバルに最適化する問題について検討する。 私たちのアプローチは、因果推論、不確実性定量化、シーケンシャルな意思決定といったアイデアを組み合わせています。 因果グラフを理解することで、最適な意思決定戦略を推論する能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-05-24T13:20:50Z)

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。