論文の概要: Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes

• arxiv url: http://arxiv.org/abs/2211.02763v3
• Date: Mon, 3 Jun 2024 16:09:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 07:04:28.734337
• Title: Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes
• Title（参考訳）: GFlowNetと変分ベイズを用いた因果構造とメカニズムのベイズ的学習
• Authors: Mizu Nishikawa-Toomey, Tristan Deleu, Jithendaraa Subramanian, Yoshua Bengio, Laurent Charlin,
• Abstract要約: 本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。 我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
• 参考スコア（独自算出の注目度）: 51.84122462615402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian causal structure learning aims to learn a posterior distribution over directed acyclic graphs (DAGs), and the mechanisms that define the relationship between parent and child variables. By taking a Bayesian approach, it is possible to reason about the uncertainty of the causal model. The notion of modelling the uncertainty over models is particularly crucial for causal structure learning since the model could be unidentifiable when given only a finite amount of observational data. In this paper, we introduce a novel method to jointly learn the structure and mechanisms of the causal model using Variational Bayes, which we call Variational Bayes-DAG-GFlowNet (VBG). We extend the method of Bayesian causal structure learning using GFlowNets to learn not only the posterior distribution over the structure, but also the parameters of a linear-Gaussian model. Our results on simulated data suggest that VBG is competitive against several baselines in modelling the posterior over DAGs and mechanisms, while offering several advantages over existing methods, including the guarantee to sample acyclic graphs, and the flexibility to generalize to non-linear causal mechanisms.
• Abstract（参考訳）: ベイズ因果構造学習は、有向非巡回グラフ(DAG)上の後部分布と、親と子の関係を定義するメカニズムを学習することを目的としている。 ベイズ的アプローチをとることで、因果モデルの不確実性について推論することができる。 モデルに対する不確実性をモデル化するという概念は、有限量の観測データしか与えられない場合、モデルが識別できないため、因果構造学習において特に重要である。 本稿では,変分ベイズを用いた因果モデルの構造と機構を共同で学習する新しい手法を提案し,これを変分ベイズ-DAG-GFlowNet(VBG)と呼ぶ。 我々は,GFlowNetsを用いたベイズ的因果構造学習の手法を拡張し,構造上の後部分布だけでなく,線形ガウスモデルのパラメータも学習する。 シミュレーションデータを用いた結果,VBG は DAG や機構よりも後方をモデル化する上で,いくつかの基本ラインと競合する一方で,非巡回グラフのサンプリングを保証すること,非線形因果機構に一般化する柔軟性など,既存の手法よりもいくつかの利点があることがわかった。

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)
• Causal Bayesian Optimization via Exogenous Distribution Learning [15.8362578568708]
  既存の因果ベイズ最適化(CBO)法は、報酬を最大化するために因果構造を変更するハード介入に依存する。 学習内因性分布を利用した新しいCBO法を開発した。 異なるデータセットとアプリケーションの実験により,提案手法の利点が示された。
  論文  参考訳（メタデータ） (2024-02-03T22:14:54Z)
• Bivariate Causal Discovery using Bayesian Model Selection [11.726586969589]
  ベイズ的枠組みに因果仮定を組み込む方法について述べる。 これにより、現実的な仮定でモデルを構築することができます。 その後、幅広いベンチマークデータセットにおいて、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-06-05T14:51:05Z)
• Amortised Inference in Structured Generative Models with Explaining Away [16.92791301062903]
  我々は、複数の変数に対して構造化因子を組み込むために、償却変分推論の出力を拡張した。 パラメータ化された因子は、複雑な図形構造における変分メッセージパッシングと効率的に結合可能であることを示す。 次に、構造化されたモデルと、自由に動くげっ歯類の海馬からの高次元神経スパイク時系列を適合させる。
  論文  参考訳（メタデータ） (2022-09-12T12:52:15Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• 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)
• DiBS: Differentiable Bayesian Structure Learning [38.01659425023988]
  ベイズ構造学習(DiBS)のための汎用的で完全に微分可能なフレームワークを提案する。 DiBSは潜在確率グラフ表現の連続空間で動作する。 既存の研究とは対照的に、DiBSは局所的な条件分布の形式に依存しない。
  論文  参考訳（メタデータ） (2021-05-25T11:23:08Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。