Fugu-MT 論文翻訳(概要): Estimation of a Causal Directed Acyclic Graph Process using Non-Gaussianity

論文の概要: Estimation of a Causal Directed Acyclic Graph Process using Non-Gaussianity

arxiv url: http://arxiv.org/abs/2211.13800v1
Date: Thu, 24 Nov 2022 21:09:55 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 19:01:23.702842
Title: Estimation of a Causal Directed Acyclic Graph Process using Non-Gaussianity
Title（参考訳）: 非ガウス性を用いた因果非巡回グラフプロセスの推定
Authors: Aref Einizade, Sepideh Hajipour Sardouie
Abstract要約: 機械学習とデータマイニングにおける因果関係を発見するための新しいアプローチを提案する。 CGP-LiNGAMはモデルパラメータを著しく少なくし、因果関係を解釈するために1つの因果グラフのみを扱う。
参考スコア（独自算出の注目度）: 3.04585143845864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Numerous approaches have been proposed to discover causal dependencies in machine learning and data mining; among them, the state-of-the-art VAR-LiNGAM (short for Vector Auto-Regressive Linear Non-Gaussian Acyclic Model) is a desirable approach to reveal both the instantaneous and time-lagged relationships. However, all the obtained VAR matrices need to be analyzed to infer the final causal graph, leading to a rise in the number of parameters. To address this issue, we propose the CGP-LiNGAM (short for Causal Graph Process-LiNGAM), which has significantly fewer model parameters and deals with only one causal graph for interpreting the causal relations by exploiting Graph Signal Processing (GSP).
Abstract（参考訳）: 機械学習とデータマイニングにおける因果関係を発見するための多くのアプローチが提案されているが、その中でも最先端のVAR-LiNGAM(ベクトル自動回帰線形非ガウス非巡回モデル)は、瞬時関係と時差関係の両方を明らかにするための望ましいアプローチである。しかしながら、最終的な因果グラフを推測するために得られた全てのVAR行列を解析する必要があるため、パラメータの数が増加する。この問題に対処するために,我々は,モデルパラメータがかなり少なく,グラフ信号処理(gsp)を利用して因果関係を解釈する因果グラフのみを扱うcgp-lingam(causal graph process-lingamの略)を提案する。

関連論文リスト

Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs [4.647149336191891]
部分有向グラフにおける因果推論に対して昇降が適用可能であることを示す。本研究では,部分有向因果係数グラフにおいて,因果推論が昇降レベルでどのように行われるかを示す。
論文参考訳（メタデータ） (2024-11-11T14:05:39Z)
Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration [0.0]
本稿では,LiNGAM-SPPフレームワークの3倍拡張を提案する。パラメータチューニングの必要性は、kNNベースの相互情報の代わりに、ペアワイズ確率比を用いて排除される。先行知識の組み入れは、すべての因果順序のグラフ表現に実装されたノードスキッピング戦略によって実現される。
論文参考訳（メタデータ） (2024-04-18T05:59:28Z)
CORE: Data Augmentation for Link Prediction via Information Bottleneck [25.044734252779975]
リンク予測(LP)はグラフ表現学習の基本的な課題である。 LPモデルのコンパクトかつ予測的な拡張を学習するための新しいデータ拡張手法であるCOREを提案する。
論文参考訳（メタデータ） (2024-04-17T03:20:42Z)
Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文参考訳（メタデータ） (2023-10-25T10:10:07Z)
Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
論文参考訳（メタデータ） (2023-05-04T06:06:29Z)
Practical Algorithms for Orientations of Partially Directed Graphical Models [5.833272638548153]
観測研究において、真の因果モデルは通常不明であり、利用可能な観測データと限られた実験データから推定する必要がある。そのような場合、学習因果モデルは通常、部分有向非巡回グラフ(PDAG)として表される。本稿の主な焦点は、与えられたPDAGに対して、無向エッジを最大に配向することを目的とした、最大配向タスクである。
論文参考訳（メタデータ） (2023-02-28T08:15:49Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文参考訳（メタデータ） (2022-08-21T15:12:08Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。近年の進歩により、観測データからDAGの有効最大点推定が可能となった。線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文参考訳（メタデータ） (2021-12-06T03:35:21Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。