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

• Standardizing Structural Causal Models [80.21199731817698]
  ベンチマークアルゴリズムのための内部標準構造因果モデル(iSCM)を提案する。 構成上、iSCMは$operatornameVar$-sortableではなく、実験的に示すように、$operatornameR2$-sortableではない。
  論文  参考訳（メタデータ） (2024-06-17T14:52:21Z)
• 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)
• 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)
• Exponential Family Model-Based Reinforcement Learning via Score Matching [97.31477125728844]
  有限水平表層強化学習(RL)のための楽観的モデルベースアルゴリズムSMRLを提案する。 SMRLは、リッジ回帰によるモデルパラメータの効率的な推定を可能にする非正規化密度推定手法であるスコアマッチングを用いる。
  論文  参考訳（メタデータ） (2021-12-28T15:51:07Z)
• 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)
• Does generalization performance of $l^q$ regularization learning depend on $q$? A negative example [19.945160684285003]
  $lq$-regularizationは、機械学習と統計モデリングにおいて魅力的なテクニックであることが示されている。 0 infty$ に対するすべての $lq$ 推定子は、同様の一般化誤差境界が得られることを示す。 この発見は、あるモデリングの文脈において、$q$の選択が一般化能力に強い影響を与えることはないことを仮に示している。
  論文  参考訳（メタデータ） (2013-07-25T00:48:04Z)

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。