論文の概要: Observational and Interventional Causal Learning for Regret-Minimizing Control

• arxiv url: http://arxiv.org/abs/2212.02435v1
• Date: Mon, 5 Dec 2022 17:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 15:11:49.834568
• Title: Observational and Interventional Causal Learning for Regret-Minimizing Control
• Title（参考訳）: 後悔最小化制御のための観察的・介入的因果学習
• Authors: Christian Reiser
• Abstract要約: 本研究では,観察的・介入的因果発見法を組み合わせる方法について検討する。 LPCMCIと呼ばれる最新の観測因果探索アルゴリズムは、ランダム化制御試験によって発見されたカジュアルな制約から利益を得るために拡張されている。 数値計算の結果, 完全な介入制約が与えられた場合, 拡張LPCMCIの再構成構造因果モデル(SCM)は, 目標変数の最適予測時間の84.6%を許容することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore how observational and interventional causal discovery methods can be combined. A state-of-the-art observational causal discovery algorithm for time series capable of handling latent confounders and contemporaneous effects, called LPCMCI, is extended to profit from casual constraints found through randomized control trials. Numerical results show that, given perfect interventional constraints, the reconstructed structural causal models (SCMs) of the extended LPCMCI allow 84.6% of the time for the optimal prediction of the target variable. The implementation of interventional and observational causal discovery is modular, allowing causal constraints from other sources. The second part of this thesis investigates the question of regret minimizing control by simultaneously learning a causal model and planning actions through the causal model. The idea is that an agent to optimize a measured variable first learns the system's mechanics through observational causal discovery. The agent then intervenes on the most promising variable with randomized values allowing for the exploitation and generation of new interventional data. The agent then uses the interventional data to enhance the causal model further, allowing improved actions the next time. The extended LPCMCI can be favorable compared to the original LPCMCI algorithm. The numerical results show that detecting and using interventional constraints leads to reconstructed SCMs that allow 60.9% of the time for the optimal prediction of the target variable in contrast to the baseline of 53.6% when using the original LPCMCI algorithm. Furthermore, the induced average regret decreases from 1.2 when using the original LPCMCI algorithm to 1.0 when using the extended LPCMCI algorithm with interventional discovery.
• Abstract（参考訳）: 観察的および介入的因果発見法を組み合わせる方法について検討する。 lpcmciと呼ばれる、潜伏する共同創設者や同時代の効果を処理できる時系列の最先端の観察的因果発見アルゴリズムは、ランダム化制御試験で発見されたカジュアルな制約から利益を得るように拡張されている。 数値計算の結果, 完全な介入制約が与えられた場合, 拡張LPCMCIの再構成構造因果モデル(SCM)は, 目標変数の最適予測時間の84.6%を許容することがわかった。 干渉因果発見と観察因果発見の実装はモジュールであり、他のソースからの因果的制約を可能にする。 本論文の第2部では,因果モデルと計画行動を同時に学習することで,後悔の最小化制御の問題を検討する。 測定変数を最適化するエージェントは、観察的因果発見を通じてまずシステムの力学を学習する。 次にエージェントは、新しい介入データの利用と生成を可能にするランダム化された値で最も有望な変数に介入する。 エージェントは介入データを使用して因果モデルをさらに強化し、次に改善されたアクションを可能にする。 拡張LPCMCIは、元のLPCMCIアルゴリズムと比較して好適である。 計算結果から,介入制約の検出と利用は,元のLPCMCIアルゴリズムを用いた場合のベースライン53.6%とは対照的に,目標変数の最適予測に60.9%の時間を要した再構成SCMに繋がることが示された。 さらに,従来のLPCMCIアルゴリズムを介在的発見を伴う拡張LPCMCIアルゴリズムを使用する場合,誘発平均後悔は1.2から1.0に減少する。

関連論文リスト

• SEDMamba: Enhancing Selective State Space Modelling with Bottleneck Mechanism and Fine-to-Coarse Temporal Fusion for Efficient Error Detection in Robot-Assisted Surgery [7.863539113283565]
  選択的状態空間モデル(SSM)を外科的誤り検出に組み込んだSEDMambaという新しい階層モデルを提案する。 SEDMambaは、長期ビデオにおける外科的エラーの検出と時間的局所化のために、ボトルネック機構と微細から粗い時間的融合(FCTF)を備えた選択的SSMを強化する。 我々の研究は、実際の手術症例におけるエラー検出を支援するために、第一種、フレームレベル、生存中の外科的エラーデータセットにも貢献する。
  論文  参考訳（メタデータ） (2024-06-22T19:20:35Z)
• Monitoring machine learning (ML)-based risk prediction algorithms in the presence of confounding medical interventions [4.893345190925178]
  医療における機械学習(ML)に基づくリスク予測モデルの性能モニタリングは、整合医療介入(CMI)の問題によって複雑化している。 単純なアプローチは、CMIを無視し、治療を受けていない患者のみを監視することである。 条件付き性能をモニタし、条件付き交換性や時間的選択バイアスが保たれている場合、有効な推論が可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-17T18:54:34Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
  関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。 このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
  論文  参考訳（メタデータ） (2022-08-10T19:17:45Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Interventions, Where and How? Experimental Design for Causal Models at Scale [47.63842422086614]
  観測データと介入データからの因果発見は、限られたデータと非識別性のために困難である。 本稿では,ベイジアン因果発見の最近の進歩を,ベイジアン最適実験設計フレームワークに取り入れる。 本稿では, 線形および非線形SCMの合成グラフと, シリコン内単一細胞遺伝子制御ネットワークデータセットであるDREAMの性能について述べる。
  論文  参考訳（メタデータ） (2022-03-03T20:59:04Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。

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。