Fugu-MT 論文翻訳(概要): Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation

論文の概要: Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation

arxiv url: http://arxiv.org/abs/2209.08579v1
Date: Sun, 18 Sep 2022 15:04:55 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 17:16:20.719065
Title: Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation
Title（参考訳）: 最適ラベル置換を用いた分類によるカテゴリーデータの分岐因果探索
Authors: Yang Ni
Abstract要約: 最適ラベル置換(COLP)を用いた新しい分類モデルに基づく分類データのための新しい因果モデルを提案する。因果的モデルと反因果的モデルの確率関数を比較した単純な学習アルゴリズムは因果的方向を学習するのに十分である。
参考スコア（独自算出の注目度）: 2.0305676256390934
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal discovery for quantitative data has been extensively studied but less is known for categorical data. We propose a novel causal model for categorical data based on a new classification model, termed classification with optimal label permutation (COLP). By design, COLP is a parsimonious classifier, which gives rise to a provably identifiable causal model. A simple learning algorithm via comparing likelihood functions of causal and anti-causal models suffices to learn the causal direction. Through experiments with synthetic and real data, we demonstrate the favorable performance of the proposed COLP-based causal model compared to state-of-the-art methods. We also make available an accompanying R package COLP, which contains the proposed causal discovery algorithm and a benchmark dataset of categorical cause-effect pairs.
Abstract（参考訳）: 定量的データの因果発見は広く研究されているが、分類学的データでは知られていない。本稿では,新しい分類モデルに基づく分類データのための新しい因果モデルを提案する。設計上、コルプは散発的な分類器であり、証明可能な因果モデルを生み出している。因果的モデルと反因果的モデルの確率関数を比較した単純な学習アルゴリズムは因果的方向を学習するのに十分である。合成および実データを用いた実験により,提案したCOLPに基づく因果モデルの性能を最先端の手法と比較した。また,提案する因果探索アルゴリズムと分類的因果効果ペアのベンチマークデータセットを含む,付随するRパッケージCOLPも利用可能である。

関連論文リスト

Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-02T04:01:38Z)
Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
我々は、古典因果探索アルゴリズムの出力からより大きな因果グラフを予測することを学ぶ教師付きモデルを訓練する。我々のアプローチは、古典的手法の出力における典型的なエラーがデータセット間で比較できるという観察によって実現されている。実データおよび合成データに関する実験では、このモデルが不特定性や分布シフトに直面して高い精度を維持することを示した。
論文参考訳（メタデータ） (2024-02-02T21:57:58Z)
Shortcuts for causal discovery of nonlinear models by score matching [32.01302470630594]
非線形付加雑音モデルのスコア・ソータビリティ・パターンを定義し,特徴付ける。文献において最も一般的な合成ベンチマークのスコアソート性を示す。本研究は, 非線形因果発見手法の評価において, データの多様性の欠如が重要な限界であることを示すものである。
論文参考訳（メタデータ） (2023-10-22T10:09:52Z)
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)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
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)
Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
次世代のスケーラブル因果発見手法の設計方法について述べる。本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
論文参考訳（メタデータ） (2022-03-08T21:34:46Z)
Ordinal Causal Discovery [2.0305676256390934]
本稿では,多くの実世界のアプリケーションに含まれる順序情報を利用して,因果構造を一意に識別する,識別可能な順序因果探索手法を提案する。提案手法は, カテゴリー別および非カテゴリ別の両方において, 最先端の代替手法と比較して, 良好かつ堅牢な性能を有することを示す。
論文参考訳（メタデータ） (2022-01-19T03:11:26Z)
Improving Efficiency and Accuracy of Causal Discovery Using a Hierarchical Wrapper [7.570246812206772]
観測データからの因果発見は、科学の多くの分野において重要なツールである。大規模なサンプルリミットでは、音と完全な因果探索アルゴリズムが導入されている。しかし、これらのアルゴリズムが使用する統計的テストのパワーを制限するのは、有限のトレーニングデータのみである。
論文参考訳（メタデータ） (2021-07-11T09:24:49Z)
Harmonization with Flow-based Causal Inference [12.739380441313022]
本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
論文参考訳（メタデータ） (2021-06-12T19:57:35Z)

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。