論文の概要: On the Sparse DAG Structure Learning Based on Adaptive Lasso

• arxiv url: http://arxiv.org/abs/2209.02946v1
• Date: Wed, 7 Sep 2022 05:47:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:08:33.992013
• Title: On the Sparse DAG Structure Learning Based on Adaptive Lasso
• Title（参考訳）: 適応ラッソに基づくスパースDAG構造学習について
• Authors: Danru Xu, Erdun Gao, Wei Huang, Mingming Gong
• Abstract要約: 適応NOTEARS[30]という,事前定義されたしきい値のないデータ駆動型DAG構造学習手法を開発した。 適応型NOTEARSは特定の条件下でのオラクル特性を享受できることを示し, シミュレーションの結果, エッジのギャップをゼロに設定することなく, 提案手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 39.31370830038554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning the underlying casual structure, represented by Directed Acyclic Graphs (DAGs), of concerned events from fully-observational data is a crucial part of causal reasoning, but it is challenging due to the combinatorial and large search space. A recent flurry of developments recast this combinatorial problem into a continuous optimization problem by leveraging an algebraic equality characterization of acyclicity. However, these methods suffer from the fixed-threshold step after optimization, which is not a flexible and systematic way to rule out the cycle-inducing edges or false discoveries edges with small values caused by numerical precision. In this paper, we develop a data-driven DAG structure learning method without the predefined threshold, called adaptive NOTEARS [30], achieved by applying adaptive penalty levels to each parameters in the regularization term. We show that adaptive NOTEARS enjoys the oracle properties under some specific conditions. Furthermore, simulation experimental results validate the effectiveness of our method, without setting any gap of edges weights around zero.
• Abstract（参考訳）: 完全観測データから関連する事象について、DAG(Directed Acyclic Graphs)で表される基礎となるカジュアル構造を学習することは因果推論の重要な部分であるが、組合せ空間と大規模な探索空間のために困難である。 近年の進歩は、この組合せ問題を非巡回性の代数的等式的特徴を利用して連続最適化問題に再考している。 しかし、これらの手法は最適化後の固定閾値ステップに悩まされ、これは数値精度によって小さな値でサイクル誘導エッジや偽発見エッジを除外する柔軟で体系的な方法ではない。 本稿では,正規化項の各パラメータに適応的なペナルティレベルを適用して達成した適応NOTEARS[30]というしきい値のないデータ駆動型DAG構造学習手法を提案する。 適応NOTEARSは特定の条件下でのオラクル特性を享受することを示す。 さらに, シミュレーション実験により, エッジ重みのギャップをゼロに設定することなく, 提案手法の有効性を検証した。

関連論文リスト

• $ψ$DAG: Projected Stochastic Approximation Iteration for DAG Structure Learning [6.612096312467342]
  Directed A Graphs (DAGs) の構造を学ぶことは、ノード数に応じてスケールする可能なグラフの巨大な検索空間のため、大きな課題となる。 近年の進歩は、微分可能指数関数性制約を取り入れた連続最適化タスクとしてこの問題を再定義している。 本稿では,SGD(Gradient Descent)に基づく最適化手法と統合した近似手法を用いて,DAGを学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-31T12:13:11Z)
• Non-negative Weighted DAG Structure Learning [12.139158398361868]
  本研究は,真DAGを夜間観測から学習する問題に対処する。 本稿では, ar を返すことが保証される手法に基づく DAG 回復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-12T09:41:29Z)
• CoLiDE: Concomitant Linear DAG Estimation [12.415463205960156]
  観測データから線形方程式への非巡回グラフ構造学習の問題に対処する。 本稿では,空間認識学習DAGのための新しい凸スコア関数を提案する。
  論文  参考訳（メタデータ） (2023-10-04T15:32:27Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Causal Structural Learning from Time Series: A Convex Optimization Approach [12.4517307615083]
  構造学習は、観測データから有向非巡回グラフ(DAG)を学習することを目的としている。 最近のDAG学習は、非常に非適応的な構造学習問題である。 近年開発されたモノトーン変分法(VI)を用いた因果学習のためのデータアプローチを提案する。
  論文  参考訳（メタデータ） (2023-01-26T16:39:58Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Efficient Neural Causal Discovery without Acyclicity Constraints [30.08586535981525]
  本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。 実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
  論文  参考訳（メタデータ） (2021-07-22T07:01:41Z)
• Efficient Semi-Implicit Variational Inference [65.07058307271329]
  効率的でスケーラブルな半単純外挿 (SIVI) を提案する。 本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
  論文  参考訳（メタデータ） (2021-01-15T11:39:09Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。