論文の概要: Simple Sorting Criteria Help Find the Causal Order in Additive Noise
Models
- arxiv url: http://arxiv.org/abs/2303.18211v1
- Date: Fri, 31 Mar 2023 17:05:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:10:04.055902
- Title: Simple Sorting Criteria Help Find the Causal Order in Additive Noise
Models
- Title(参考訳): 簡易ソート基準は付加雑音モデルにおける因果順序を求めるのに役立つ
- Authors: Alexander G. Reisach, Myriam Tami, Christof Seiler, Antoine Chambaz,
Sebastian Weichwald
- Abstract要約: 分散の増加による変数順序付けが因果順序と密接に一致していることを示し、アライメントを定量化するためにvar-sortabilityを導入する。
本稿では,ソータビリティ尺度とソータビリティに基づくアルゴリズムの実装について,CausalDiscoで紹介する。
- 参考スコア(独自算出の注目度): 63.79640538559285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Additive Noise Models (ANM) encode a popular functional assumption that
enables learning causal structure from observational data. Due to a lack of
real-world data meeting the assumptions, synthetic ANM data are often used to
evaluate causal discovery algorithms. Reisach et al. (2021) show that, for
common simulation parameters, a variable ordering by increasing variance is
closely aligned with a causal order and introduce var-sortability to quantify
the alignment. Here, we show that not only variance, but also the fraction of a
variable's variance explained by all others, as captured by the coefficient of
determination $R^2$, tends to increase along the causal order. Simple baseline
algorithms can use $R^2$-sortability to match the performance of established
methods. Since $R^2$-sortability is invariant under data rescaling, these
algorithms perform equally well on standardized or rescaled data, addressing a
key limitation of algorithms exploiting var-sortability. We characterize and
empirically assess $R^2$-sortability for different simulation parameters. We
show that all simulation parameters can affect $R^2$-sortability and must be
chosen deliberately to control the difficulty of the causal discovery task and
the real-world plausibility of the simulated data. We provide an implementation
of the sortability measures and sortability-based algorithms in our library
CausalDisco (https://github.com/CausalDisco/CausalDisco).
- Abstract(参考訳): 付加雑音モデル(ANM)は、観測データから因果構造を学習できる一般的な機能仮定を符号化する。
仮定を満たす実世界のデータがないため、合成ANMデータは因果発見アルゴリズムを評価するためにしばしば使用される。
Reisach et al. (2021) は、一般的なシミュレーションパラメータに対して、分散の増加による変数順序は因果順序と密接に一致し、アライメントを定量化するためにvar-sortabilityを導入することを示した。
ここでは、変数の分散だけでなく、他のすべての変数によって説明される分散の分数も、決定係数$R^2$で表されるように、因果次数に沿って増加する傾向にあることを示す。
単純なベースラインアルゴリズムは、確立されたメソッドのパフォーマンスに合わせて$R^2$-sortabilityを使用することができる。
R^2$-sortabilityはデータ再スケーリングの下で不変であるため、これらのアルゴリズムは標準化されたデータや再スケールされたデータでも同等に機能する。
異なるシミュレーションパラメータに対する$R^2$-sortabilityを特徴付ける。
すべてのシミュレーションパラメータが$R^2$-sortabilityに影響を与える可能性を示し、因果発見タスクの難しさとシミュレーションデータの現実的妥当性を意図的に制御する必要がある。
当社のライブラリCausalDisco(https://github.com/CausalDisco/CausalDisco)にソート可能性尺度とソート可能性に基づくアルゴリズムを実装した。
関連論文リスト
- Convergence Analysis of Probability Flow ODE for Score-based Generative Models [5.939858158928473]
確率フローODEに基づく決定論的サンプリング器の収束特性を理論的・数値的両面から検討する。
我々は、目標と生成されたデータ分布の総変動を、連続時間レベルで$mathcalO(dsqrtdelta)$で表すことができることを証明した。
ステップサイズ$h$を持つ$p$-thオーダーのRunge-Kuttaインテグレータを使った実用的な実装では、離散レベルで$mathcalO(dsqrtdelta + (dh)p)$のエラー境界を確立する。
論文 参考訳(メタデータ) (2024-04-15T12:29:28Z) - Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳(メタデータ) (2024-03-08T18:50:19Z) - Causal Discovery under Identifiable Heteroscedastic Noise Model [50.23769985430187]
因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。
本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。
次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-20T08:51:58Z) - Meta-Learning Operators to Optimality from Multi-Task Non-IID Data [1.7587442088965224]
すべてのデータを使って共通の表現関数を学ぶことは、計算の労力と統計的一般化の両方に利益がある。
既存の異方性に依存しないメタラーニングは、表現更新に偏りを生じさせるため、ノイズ項のスケーリングは、ソースタスクの数に好ましくない。
我々は、Collins et al. (2021) で提案された交互化最小化退化スキームの適応 $texttDFW$ を導入し、最適な表現に線形収束を確立する。
論文 参考訳(メタデータ) (2023-08-08T17:56:20Z) - Stochastic Approximation Approaches to Group Distributionally Robust
Optimization [96.26317627118912]
群分散ロバスト最適化(GDRO)
オンライン学習技術は、各ラウンドに必要なサンプル数をm$から1$に減らし、同じサンプルを保持する。
分布依存収束率を導出できる重み付きGDROの新規な定式化。
論文 参考訳(メタデータ) (2023-02-18T09:24:15Z) - Uncertainty Quantification of MLE for Entity Ranking with Covariates [3.2839905453386162]
本稿では,ペア比較に基づくランキング問題の統計的推定と推定について検討する。
我々は、有名なBradley-Terry-Luceモデルを拡張した新しいモデルCAREモデルを提案する。
我々は、スパース比較グラフの下で、$alpha_i*_i=1n$と$beta*$の最大確率推定器を導出する。
大規模数値研究による理論結果の検証と相互資金保有データセットへの適用について検討する。
論文 参考訳(メタデータ) (2022-12-20T02:28:27Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳(メタデータ) (2022-10-13T17:18:59Z) - Diffusion Models for Causal Discovery via Topological Ordering [20.875222263955045]
emphTopological ordering approachは、グラフ空間ではなく置換を探索することによって因果発見の最適化空間を減少させる。
ANMsの場合、データログのようなemphHessianは、葉ノードを因果グラフで見つけるのに使用することができ、トポロジ的順序付けを可能にする。
ニューラルネットワークを再トレーニングすることなく、学習したヘッセンを更新する理論を導入し、サンプルのサブセットによる計算が注文の正確な近似を与えることを示す。
論文 参考訳(メタデータ) (2022-10-12T13:36:29Z) - Beware of the Simulated DAG! Varsortability in Additive Noise Models [70.54639814319096]
合成データにおける連続構造学習アルゴリズムの性能は,バラエティが如何に支配されているかを示す。
模擬添加ノイズモデルではバラツキが起こりやすいという認識を高めることを目指しています。
論文 参考訳(メタデータ) (2021-02-26T18:52:27Z)
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。