論文の概要: KGS: Causal Discovery Using Knowledge-guided Greedy Equivalence Search
- arxiv url: http://arxiv.org/abs/2304.05493v1
- Date: Tue, 11 Apr 2023 20:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 16:44:00.661909
- Title: KGS: Causal Discovery Using Knowledge-guided Greedy Equivalence Search
- Title(参考訳): KGS:知識誘導グレディ等価検索による因果発見
- Authors: Uzma Hasan, Md Osman Gani
- Abstract要約: Greedy Equivalence Search (GES) は、グラフの同値クラスの空間を探索するためにスコアベースのアプローチを使用する。
因果エッジの存在や欠如などの先行因果情報を利用して発見プロセスを導くことができる。
我々は知識誘導型グリーディスコアに基づく因果発見手法であるKGSを提案する。
- 参考スコア(独自算出の注目度): 0.39160947065896795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning causal relationships solely from observational data provides
insufficient information about the underlying causal mechanism and the search
space of possible causal graphs. As a result, often the search space can grow
exponentially for approaches such as Greedy Equivalence Search (GES) that uses
a score-based approach to search the space of equivalence classes of graphs.
Prior causal information such as the presence or absence of a causal edge can
be leveraged to guide the discovery process towards a more restricted and
accurate search space. In this study, we present KGS, a knowledge-guided greedy
score-based causal discovery approach that uses observational data and
structural priors (causal edges) as constraints to learn the causal graph. KGS
is a novel application of knowledge constraints that can leverage any of the
following prior edge information between any two variables: the presence of a
directed edge, the absence of an edge, and the presence of an undirected edge.
We extensively evaluate KGS across multiple settings in both synthetic and
benchmark real-world datasets. Our experimental results demonstrate that
structural priors of any type and amount are helpful and guide the search
process towards an improved performance and early convergence.
- Abstract(参考訳): 観測データのみから因果関係を学ぶことは、因果関係のメカニズムと可能な因果グラフの探索空間について不十分な情報を提供する。
結果として、グラフの同値クラスの空間をスコアベースで探索するGreedy Equivalence Search (GES)のようなアプローチに対して、探索空間は指数関数的に増大することが多い。
因果エッジの存在や欠如などの先行因果情報を利用して、発見プロセスをより制限された正確な探索空間へと導くことができる。
本研究では,知識誘導型スコアに基づく因果探索手法であるKGSを,因果グラフ学習の制約として観測データと構造先行(因果エッジ)を用いる。
kgsは知識制約の新規な応用であり、有向エッジの存在、エッジの不在、無向エッジの存在という2つの変数間の全ての先行エッジ情報を活用することができる。
実世界のデータセットの合成とベンチマークの両方において、KGSを複数の設定で広範囲に評価する。
実験の結果,任意の型と量の構造的優先順位が有益であることを示し,探索過程を性能向上と早期収束に向けて導く。
関連論文リスト
- DAGnosis: Localized Identification of Data Inconsistencies using
Structures [73.39285449012255]
機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。
我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。
我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
論文 参考訳(メタデータ) (2024-02-26T11:29:16Z) - Discovery of the Hidden World with Large Language Models [100.38157787218044]
COAT: Causal representatiOn AssistanTについて紹介する。
COATは、非構造化データから潜在的な因果因子を抽出する因子プロジェクタとしてLLMを組み込んでいる。
LLMはデータ値の収集に使用される追加情報を提供するよう指示することもできる。
論文 参考訳(メタデータ) (2024-02-06T12:18:54Z) - Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。
グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
論文 参考訳(メタデータ) (2023-06-05T12:20:40Z) - Subset verification and search algorithms for causal DAGs [13.108039226223793]
エッジのサブセット(ターゲットエッジ)間の因果関係を学習するために必要な最小の介入セットを特定する問題について検討する。
介入因果グラフのいくつかの興味深い構造的特性を証明し、ここで研究されるサブセット検証・探索問題以外の応用があると信じている。
論文 参考訳(メタデータ) (2023-01-09T06:25:44Z) - Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。
本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
論文 参考訳(メタデータ) (2022-06-15T21:28:36Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳(メタデータ) (2021-12-06T03:35:21Z) - Improving Efficiency and Accuracy of Causal Discovery Using a
Hierarchical Wrapper [7.570246812206772]
観測データからの因果発見は、科学の多くの分野において重要なツールである。
大規模なサンプルリミットでは、音と完全な因果探索アルゴリズムが導入されている。
しかし、これらのアルゴリズムが使用する統計的テストのパワーを制限するのは、有限のトレーニングデータのみである。
論文 参考訳(メタデータ) (2021-07-11T09:24:49Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳(メタデータ) (2021-01-25T13:31:29Z)
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。