Fugu-MT 論文翻訳(概要): Latent Hierarchical Causal Structure Discovery with Rank Constraints

論文の概要: Latent Hierarchical Causal Structure Discovery with Rank Constraints

arxiv url: http://arxiv.org/abs/2210.01798v1
Date: Sat, 1 Oct 2022 03:27:54 GMT
ステータス: 処理完了
システム内更新日: 2022-10-06 12:58:29.205065
Title: Latent Hierarchical Causal Structure Discovery with Rank Constraints
Title（参考訳）: ランク制約による潜在階層的因果構造発見
Authors: Biwei Huang, Charles Jia Han Low, Feng Xie, Clark Glymour, Kun Zhang
Abstract要約: 我々は、いくつかの変数が潜伏し、階層的なグラフ構造を形成する因果構造同定のための挑戦的なシナリオを考える。本稿では,潜伏変数を効率よく検出し,その濃度を判定し,潜伏階層構造を同定する推定手法を提案する。
参考スコア（独自算出の注目度）: 19.61598654735681
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most causal discovery procedures assume that there are no latent confounders in the system, which is often violated in real-world problems. In this paper, we consider a challenging scenario for causal structure identification, where some variables are latent and they form a hierarchical graph structure to generate the measured variables; the children of latent variables may still be latent and only leaf nodes are measured, and moreover, there can be multiple paths between every pair of variables (i.e., it is beyond tree structure). We propose an estimation procedure that can efficiently locate latent variables, determine their cardinalities, and identify the latent hierarchical structure, by leveraging rank deficiency constraints over the measured variables. We show that the proposed algorithm can find the correct Markov equivalence class of the whole graph asymptotically under proper restrictions on the graph structure.
Abstract（参考訳）: ほとんどの因果的発見手順は、システムに潜伏する共同設立者がいないと仮定している。本稿では,ある変数が潜在性であり,それらが測定された変数を生成する階層グラフ構造を形成する因果構造同定の難解なシナリオについて考察する。そこで本研究では, 潜在変数を効率的に同定し, 基数を判定し, 潜在階層構造を同定する手法を提案する。提案アルゴリズムは,グラフ構造の適切な制約の下で,グラフ全体のマルコフ同値クラスを漸近的に求めることができることを示す。

関連論文リスト

Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
論文参考訳（メタデータ） (2024-10-31T15:56:50Z)
Learning Discrete Latent Variable Structures with Tensor Rank Conditions [30.292492090200984]
観測されていない離散データは、多くの科学分野においてユビキタスであり、これらの潜伏変数の因果構造を学習する方法は、データパターンを明らかにするために不可欠である。ほとんどの研究は線形潜在変数モデルに焦点を当てたり、非線型関係や複素潜在構造を含む離散データにおけるケースに対処できない潜在構造に厳密な制約を課す。観測変数集合 $mathbfX_p$ に対するテンソル階数条件を探索し、その階数が特定の条件集合の最小サポートによって決定されることを示す。異なる観測変数のランクを探索することで、潜伏変数を特定できる。
論文参考訳（メタデータ） (2024-06-11T07:25:17Z)
Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文参考訳（メタデータ） (2024-01-10T02:38:21Z)
A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables [28.51579090194802]
因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-12-18T07:57:39Z)
Identification for Tree-shaped Structural Causal Models in Polynomial Time [1.5151556900495786]
ノード間の相関から因果パラメータを同定することは、人工知能におけるオープンな問題である。本稿では,木を配向成分とするSCMについて検討する。本稿では,木形SCMの同定問題を解くランダム時間アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-11-23T15:26:29Z)
Identification of Nonlinear Latent Hierarchical Models [38.925635086396596]
我々は,初等潜伏変数モデルに対する新しい識別可能性保証という形で識別基準を開発する。我々の知る限りでは、非線形潜在階層モデルにおける因果構造と潜伏変数の両方に対する識別可能性を保証するための最初の研究である。
論文参考訳（メタデータ） (2023-06-13T17:19:37Z)
Differentiable and Transportable Structure Learning [73.84540901950616]
本稿では,新しいアーキテクチャと損失関数により,発見された構造物の輸送性を回復するD-Structを紹介する。 D-Structは依然として微分可能であるため、既存の微分可能アーキテクチャでは容易に適用できる。
論文参考訳（メタデータ） (2022-06-13T17:50:53Z)
Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文参考訳（メタデータ） (2022-02-22T21:27:31Z)
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文参考訳（メタデータ） (2021-06-14T17:52:49Z)
A Recursive Markov Boundary-Based Approach to Causal Structure Learning [22.38302412440357]
因果構造学習のための新しい再帰型手法を提案する。条件付き独立テストの必要回数を大幅に削減する。実験の結果,提案アルゴリズムは,合成構造と実世界構造の両方において,最先端のアルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-10-10T13:26:22Z)
An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。