論文の概要: An Algorithm and Complexity Results for Causal Unit Selection

• arxiv url: http://arxiv.org/abs/2302.14412v1
• Date: Tue, 28 Feb 2023 08:46:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 17:18:25.065657
• Title: An Algorithm and Complexity Results for Causal Unit Selection
• Title（参考訳）: 因果単位選択のためのアルゴリズムと複雑度結果
• Authors: Haiying Huang and Adnan Darwiche
• Abstract要約: 単位選択問題は、刺激を受ける際に望ましい振る舞いを示す可能性が最も高い、単位と呼ばれる物体を特定することを目的としている。 本稿では,幅広い因果的目的関数のクラスと完全に定義された構造因果的モデルに与えられた最適単位を求めるための,最初の正確なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 16.307996243413967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The unit selection problem aims to identify objects, called units, that are most likely to exhibit a desired mode of behavior when subjected to stimuli (e.g., customers who are about to churn but would change their mind if encouraged). Unit selection with counterfactual objective functions was introduced relatively recently with existing work focusing on bounding a specific class of objective functions, called the benefit functions, based on observational and interventional data -- assuming a fully specified model is not available to evaluate these functions. We complement this line of work by proposing the first exact algorithm for finding optimal units given a broad class of causal objective functions and a fully specified structural causal model (SCM). We show that unit selection under this class of objective functions is $\text{NP}^\text{PP}$-complete but is $\text{NP}$-complete when unit variables correspond to all exogenous variables in the SCM. We also provide treewidth-based complexity bounds on our proposed algorithm while relating it to a well-known algorithm for Maximum a Posteriori (MAP) inference.
• Abstract（参考訳）: 単位選択問題(unit selection problem)は、刺激を受けるときに望ましい行動モードを示す可能性のある、単位(unit)と呼ばれる物体を識別することを目的としている(例えば、推奨されると考えを変える)。 対物目的関数を用いた単位選択は、比較的最近、観察的および介入的データに基づいて、利益関数と呼ばれる特定の目的関数のクラスの境界にフォーカスした既存の作業で導入された。 対象関数の幅広いクラスと構造的因果モデル(scm)が与えられた最適単位を求めるための最初の厳密なアルゴリズムを提案することで、この作業を補完する。 この目的関数のクラスの下での単位選択は$\text{np}^\text{pp}$-completeであるが、単位変数がscm内のすべての外在変数に対応する場合、$\text{np}$-completeである。 また,木幅に基づく複雑性境界を提案アルゴリズムに適用し,最大事後推定のためのよく知られたアルゴリズムに関連付けた。

関連論文リスト

• Causal Unit Selection using Tractable Arithmetic Circuits [12.223629720083148]
  制約木幅によって必ずしも制限されない単位選択に対する新しいアプローチを導入する。 これはメタモデルを特別な計算回路のクラスにコンパイルすることで実現される。
  論文  参考訳（メタデータ） (2024-04-10T02:02:34Z)
• Multi-objective Binary Coordinate Search for Feature Selection [0.24578723416255746]
  大規模特徴選択問題の解法として,二元多目的座標探索(MOCS)アルゴリズムを提案する。 その結果,実世界の5つの大規模データセットにおいて,NSGA-IIよりも提案手法が優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-02-20T00:50:26Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Group Fairness in Non-monotone Submodular Maximization [19.29174615532181]
  群フェアネス制約を考慮した非単調部分モジュラー問題について検討する。 この問題に対する最初の定数近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-02-03T04:51:54Z)
• Should All Proposals be Treated Equally in Object Detection? [110.27485090952385]
  オブジェクト検出器の複雑さと精度のトレードオフは、リソース制約されたビジョンタスクにとって重要な問題である。 検出効率の改善には、提案の不平等な処理に向けて、パラダイムシフトが必要であると仮定されている。 これにより、利用可能な計算予算がより有効になり、同じFLOPSの精度が向上する。
  論文  参考訳（メタデータ） (2022-07-07T18:26:32Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Submodular + Concave [53.208470310734825]
  第一次最適化法が凹関数の最大目的値に収束できることはよく確立されている。 本研究では、滑らかな函数凸体(英語版)の行列式を$F(x) = G(x) +C(x)$で始める。 このクラスの函数は、保証がないような凹凸函数と連続DR-部分モジュラ函数の両方の拡張である。
  論文  参考訳（メタデータ） (2021-06-09T01:59:55Z)
• CACTUS: Detecting and Resolving Conflicts in Objective Functions [16.784454432715712]
  多対象最適化において、矛盾する目的と制約は大きな関心事である。 本稿では,多目的目的関数を可視化する手法をプロトタイプ化して,この作業範囲を拡張する。 本手法は,分類タスクの潜在的な競合を解決することによって,ユーザが対話的に有意義な目的関数を特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-13T22:38:47Z)
• Linear Classifier Combination via Multiple Potential Functions [0.6091702876917279]
  決定境界からクラスセントロイドまでの距離との距離に基づいてスコアリング関数を計算する新しい概念を提案する。 重要な性質は、提案されたスコア関数がすべての線形基底分類器に対して同じ性質を持つことである。
  論文  参考訳（メタデータ） (2020-10-02T08:11:51Z)
• From Sets to Multisets: Provable Variational Inference for Probabilistic Integer Submodular Models [82.95892656532696]
  サブモジュール関数は機械学習やデータマイニングにおいて広く研究されている。 本研究では,整数部分モジュラ函数に対する連続DR-部分モジュラ拡張を提案する。 整数部分モジュラー関数によって定義される新しい確率モデルを定式化する。
  論文  参考訳（メタデータ） (2020-06-01T22:20:45Z)
• Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
  我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。 主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
  論文  参考訳（メタデータ） (2019-06-05T07:15:17Z)

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。