論文の概要: Causal Lifting and Link Prediction

• arxiv url: http://arxiv.org/abs/2302.01198v1
• Date: Thu, 2 Feb 2023 16:25:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 13:15:38.759784
• Title: Causal Lifting and Link Prediction
• Title（参考訳）: 因果リフティングとリンク予測
• Authors: Leonardo Cotta, Beatrice Bevilacqua, Nesreen Ahmed, Bruno Ribeiro
• Abstract要約: いくつかの因果的タスクでは、リンク形成はパス依存であり、リンク介入の結果は既存のリンクに依存する。 既存の因果的手法はこれらのシナリオでは実用的ではない。 本研究は,リンク予測において経路依存性を扱える最初の因果モデルを開発する。
• 参考スコア（独自算出の注目度）: 10.336445584242933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current state-of-the-art causal models for link prediction assume an underlying set of inherent node factors -- an innate characteristic defined at the node's birth -- that governs the causal evolution of links in the graph. In some causal tasks, however, link formation is path-dependent, i.e., the outcome of link interventions depends on existing links. For instance, in the customer-product graph of an online retailer, the effect of an 85-inch TV ad (treatment) likely depends on whether the costumer already has an 85-inch TV. Unfortunately, existing causal methods are impractical in these scenarios. The cascading functional dependencies between links (due to path dependence) are either unidentifiable or require an impractical number of control variables. In order to remedy this shortcoming, this work develops the first causal model capable of dealing with path dependencies in link prediction. It introduces the concept of causal lifting, an invariance in causal models that, when satisfied, allows the identification of causal link prediction queries using limited interventional data. On the estimation side, we show how structural pairwise embeddings -- a type of symmetry-based joint representation of node pairs in a graph -- exhibit lower bias and correctly represent the causal structure of the task, as opposed to existing node embedding methods, e.g., GNNs and matrix factorization. Finally, we validate our theoretical findings on four datasets under three different scenarios for causal link prediction tasks: knowledge base completion, covariance matrix estimation and consumer-product recommendations.
• Abstract（参考訳）: リンク予測のための現在の最先端因果モデルでは、グラフ内のリンクの因果進化を管理する固有のノードファクター(ノードの誕生時に定義された固有の特性)のセットを仮定している。 しかし、いくつかの因果的タスクでは、リンク形成はパス依存であり、リンク介入の結果は既存のリンクに依存する。 例えば、オンライン小売店の顧客製品グラフでは、85インチのテレビ広告(処理)の効果は、既に85インチのテレビを持っているかどうかにかかっている可能性が高い。 残念ながら、これらのシナリオでは、既存の因果メソッドは非現実的です。 リンク間の機能的依存関係(パス依存)は特定できないか、あるいは非現実的な数の制御変数を必要とする。 この欠点を解消するために、リンク予測において経路依存性を扱うことができる最初の因果モデルを開発する。 これは因果モデルにおける不変性であり、満足すれば限られた介入データを用いて因果リンク予測クエリを識別することができる。 推定側では、グラフ内のノード対の対称性に基づく結合表現の一種である構造的ペアワイズ埋め込みが、既存のノード埋め込み手法、例えばgnnや行列因子化とは対照的に、低いバイアスを示し、タスクの因果構造を正しく表現していることを示す。 最後に, 因果関係予測タスクの3つのシナリオ(知識ベース補完, 共分散行列推定, 消費者製品レコメンデーション)における4つのデータセットの理論的結果を検証する。

関連論文リスト

• Influence of Backdoor Paths on Causal Link Prediction [0.0]
  CausalLPBackは、バックドアパスを排除し、知識グラフリンク予測手法を使用する因果リンク予測の新しいアプローチである。 この評価には、因果リンク予測に関連するマルコフに基づく分割と呼ばれるユニークなデータセット分割方法が含まれる。
  論文  参考訳（メタデータ） (2024-09-12T22:16:36Z)
• CausalLP: Learning causal relations with weighted knowledge graph link prediction [5.3454230926797734]
  CausalLPは知識グラフ補完問題として不完全因果ネットワークの問題を定式化している。 因果関係を表す知識グラフを使うことで、外部のドメイン知識の統合が可能になる。 CausalLPでは、因果的説明と因果的予測という2つの主要なタスクがサポートされている。
  論文  参考訳（メタデータ） (2024-04-23T20:50:06Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
  本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。 提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
  論文  参考訳（メタデータ） (2023-06-20T06:25:05Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Autoregressive flow-based causal discovery and inference [4.83420384410068]
  自己回帰フローモデルは、様々な因果推論タスクを実行するのに適している。 自己回帰型アーキテクチャは、因果順序に類似した変数の順序を定義しているという事実を活用する。 本稿では, 自己回帰的流れを正しい因果順序で訓練することにより, 正確な介入予測と反事実予測を行うことができる, 合成データの例を示す。
  論文  参考訳（メタデータ） (2020-07-18T10:02:59Z)

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。