論文の概要: DynGFN: Bayesian Dynamic Causal Discovery using Generative Flow Networks

• arxiv url: http://arxiv.org/abs/2302.04178v1
• Date: Wed, 8 Feb 2023 16:36:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 15:36:26.354543
• Title: DynGFN: Bayesian Dynamic Causal Discovery using Generative Flow Networks
• Title（参考訳）: DynGFN:生成フローネットワークを用いたベイズ動的因果探索
• Authors: Lazar Atanackovic, Alexander Tong, Jason Hartford, Leo J. Lee, Bo Wang, Yoshua Bengio
• Abstract要約: 動的システムの因果発見のための新しいフレームワークを提案し,新しい生成フローネットワークアーキテクチャ(DynGFN)を提案する。 以上の結果から,DynGFNは,最先端のアプローチと比較して,許容可能な周期的因果構造上の分布をよりうまくカプセル化した後部学習を行っていることが示唆された。
• 参考スコア（独自算出の注目度）: 114.32256996465229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning the causal structure of observable variables is a central focus for scientific discovery. Bayesian causal discovery methods tackle this problem by learning a posterior over the set of admissible graphs given our priors and observations. Existing methods primarily consider observations from static systems and assume the underlying causal structure takes the form of a directed acyclic graph (DAG). In settings with dynamic feedback mechanisms that regulate the trajectories of individual variables, this acyclicity assumption fails unless we account for time. We focus on learning Bayesian posteriors over cyclic graphs and treat causal discovery as a problem of sparse identification of a dynamical system. This imposes a natural temporal causal order between variables and captures cyclic feedback loops through time. Under this lens, we propose a new framework for Bayesian causal discovery for dynamical systems and present a novel generative flow network architecture (DynGFN) tailored for this task. Our results indicate that DynGFN learns posteriors that better encapsulate the distributions over admissible cyclic causal structures compared to counterpart state-of-the-art approaches.
• Abstract（参考訳）: 観測変数の因果構造を学習することは科学的な発見の中心となる。 ベイズ因果発見法は、我々の事前と観測から許容されるグラフの集合の後方を学習することでこの問題に取り組む。 既存の手法は主に静的系からの観測を考慮し、基礎となる因果構造が有向非巡回グラフ(DAG)の形をとると仮定する。 個々の変数の軌跡を調節する動的フィードバック機構による設定では、この非周期性仮定は時間を考慮しない限り失敗する。 循環グラフ上でのベイズ後部学習に焦点をあて,因果発見を力学系のスパース同定の問題として扱う。 これは変数間の自然な時間的因果順序を課し、時間を通じて循環フィードバックループをキャプチャする。 本稿では,動的システムに対するベイズ因果探索のための新しい枠組みを提案し,本課題に適した新しい生成フローネットワークアーキテクチャ(DynGFN)を提案する。 以上の結果から,DynGFNは,最先端のアプローチと比較して,許容可能な周期的因果構造上の分布をよりうまくカプセル化した後部学習を行っていることが示唆された。

関連論文リスト

• Single-cell Curriculum Learning-based Deep Graph Embedding Clustering [21.328135630638343]
  シングルセル学習に基づく深層グラフ埋め込みクラスタリング(scCLG)を提案する。 まず,3つのデコーダに対応する3つの最適化目標を組み合わせたマルチデコーダ(ChebAE)を用いたChebyshevグラフ畳み込みオートエンコーダを提案する。 我々は、ノードの特徴とエントロピーに基づいてGNNを訓練し、高品質なグラフを維持するための難易度スコアに基づいて困難なノードを訓練する選択的なトレーニング戦略を採用している。
  論文  参考訳（メタデータ） (2024-08-20T03:20:13Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Causal Inference in Gene Regulatory Networks with GFlowNet: Towards Scalability in Large Systems [87.45270862120866]
  我々は、GRNにおける因果構造学習を強化する新しいフレームワークとしてSwift-DynGFNを紹介した。 具体的には、Swift-DynGFNは、並列化を高め、計算コストを下げるために、遺伝子的に独立性を利用する。
  論文  参考訳（メタデータ） (2023-10-05T14:59:19Z)
• TNPAR: Topological Neural Poisson Auto-Regressive Model for Learning Granger Causal Structure from Event Sequences [27.289511320823895]
  イベントシーケンスからグランガー因果関係を学ぶことは、さまざまなアプリケーションにまたがって難しいが必須の課題である。 トポロジカル・ニューラル・ポアソン自己回帰モデルと2つのプロセスの融合を考案する。 シミュレーションおよび実世界のデータを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-06-25T03:31:47Z)
• Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
  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。
  論文  参考訳（メタデータ） (2022-11-04T21:57:39Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Gene Regulatory Network Inference with Latent Force Models [1.2691047660244335]
  タンパク質合成の遅延は、RNAシークエンシング時系列データから遺伝子制御ネットワーク(GRN)を構築する際に相反する効果をもたらす。 実験データに適合するメカニスティック方程式とベイズ的アプローチを組み合わせることで,翻訳遅延を組み込んだモデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T09:03:34Z)

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。