論文の概要: NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning

• arxiv url: http://arxiv.org/abs/2301.01849v1
• Date: Wed, 4 Jan 2023 23:28:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 13:51:45.764495
• Title: NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning
• Title（参考訳）: NODAGS-Flow:非線形周期因果構造学習
• Authors: Muralikrishnna G. Sethuraman, Romain Lopez, Rahul Mohan, Faramarz Fekri, Tommaso Biancalani, Jan-Christian H\"utter
• Abstract要約: 我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
• 参考スコア（独自算出の注目度）: 8.20217860574125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning causal relationships between variables is a well-studied problem in statistics, with many important applications in science. However, modeling real-world systems remain challenging, as most existing algorithms assume that the underlying causal graph is acyclic. While this is a convenient framework for developing theoretical developments about causal reasoning and inference, the underlying modeling assumption is likely to be violated in real systems, because feedback loops are common (e.g., in biological systems). Although a few methods search for cyclic causal models, they usually rely on some form of linearity, which is also limiting, or lack a clear underlying probabilistic model. In this work, we propose a novel framework for learning nonlinear cyclic causal graphical models from interventional data, called NODAGS-Flow. We perform inference via direct likelihood optimization, employing techniques from residual normalizing flows for likelihood estimation. Through synthetic experiments and an application to single-cell high-content perturbation screening data, we show significant performance improvements with our approach compared to state-of-the-art methods with respect to structure recovery and predictive performance.
• Abstract（参考訳）: 変数間の因果関係の学習は統計学においてよく研究された問題であり、科学において多くの重要な応用がある。 しかし、既存のアルゴリズムの多くは、根底にある因果グラフが非循環であると仮定している。 これは因果推論と推論に関する理論的発展を開発するための便利なフレームワークであるが、フィードバックループが一般的である(生物学的システムなど)ため、基礎となるモデリング仮定は実システムでは破られる可能性が高い。 巡回因果モデルを探索する手法はいくつかあるが、通常はある種の線形性に依存しており、これは制限でもあるか、あるいは明確な確率モデルを持たない。 本研究では,NODAGS-Flowと呼ばれる介入データから非線形巡回因果グラフモデルを学習するための新しいフレームワークを提案する。 推定には残差正規化流の手法を応用し, 直接帰属最適化による推定を行う。 合成実験と単セル高濃度摂動スクリーニングデータの適用により,構造回復および予測性能に関する最先端手法と比較して,本手法による大幅な性能向上を示す。

関連論文リスト

• TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
  本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。 単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
  論文  参考訳（メタデータ） (2024-04-01T20:33:29Z)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• Learning Cyclic Causal Models from Incomplete Data [13.69726643902085]
  周期因果グラフを部分的に欠落したデータから学習するための新しいフレームワークであるMissNODAGSを提案する。 付加雑音モデルの下では、MissNODAGSは、欠落したデータを入力し、データの可視部分のログ類似度を最大化することで、因果グラフを学習する。 本研究では、最先端の計算技術を用いた場合と比較して、部分的に欠落した介入データに対する因果学習による性能向上を実証した。
  論文  参考訳（メタデータ） (2024-02-23T22:03:12Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• SLEM: Machine Learning for Path Modeling and Causal Inference with Super Learner Equation Modeling [3.988614978933934]
  因果推論は科学の重要な目標であり、研究者は観測データを使って意味のある結論に達することができる。 経路モデル、構造方程式モデル(SEM)および指向非巡回グラフ(DAG)は、現象の根底にある因果構造に関する仮定を明確に特定する手段を提供する。 本稿では,機械学習のスーパーラーナーアンサンブルを統合したパスモデリング手法であるSuper Learner Equation Modelingを提案する。
  論文  参考訳（メタデータ） (2023-08-08T16:04:42Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Structure Learning for Cyclic Linear Causal Models [5.567377163246147]
  観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。 循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。
  論文  参考訳（メタデータ） (2020-06-10T17:47:28Z)

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。