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
- CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。
因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。
CAnDOITのPython実装も開発され、GitHubで公開されている。
論文 参考訳（メタデータ） (2024-10-03T13:57:08Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement
Learning [2.7446241148152253]
COREは、因果発見と介入計画のための強化学習に基づくアプローチである。
その結果,COREは未知のグラフに一般化し,因果構造を効率的に発見できることがわかった。
COREは最大10変数のグラフにスケールし、構造推定精度とサンプル効率において既存のアプローチより優れている。
論文 参考訳（メタデータ） (2024-01-30T12:57:52Z) - Applying Large Language Models for Causal Structure Learning in Non
Small Cell Lung Cancer [8.248361703850774]
因果発見は、医療AI研究において重要な役割を担っている。
本稿では,大言語モデルを用いて,因果発見におけるエッジの方向性を決定する問題について検討する。
その結果,LLMは因果グラフのエッジの方向を正確に予測でき,既存の最先端手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-11-13T09:31:14Z) - 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) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - The Impact of Missing Data on Causal Discovery: A Multicentric Clinical
Study [1.173358409934101]
子宮内膜癌に対する多施設共同研究から得られたデータを用いて,検索した因果グラフに異なる欠損機構が与える影響を解析した。
専門医による回復グラフの検証を行い,本手法が臨床関連ソリューションを見いだすことを示す。
論文 参考訳（メタデータ） (2023-05-17T08:46:30Z) - Learning domain-specific causal discovery from time series [7.298647409503783]
時間変化データからの因果発見は神経科学、医学、機械学習において重要である。
人間の専門知識は必ずしも正確ではなく、豊富なデータを持つ領域では優れる傾向がある。
本研究では,データ駆動手法を用いて時系列のドメイン固有因果探索を向上できるかを検討する。
論文 参考訳（メタデータ） (2022-09-12T20:32:39Z) - 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) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Exploring and Distilling Posterior and Prior Knowledge for Radiology
Report Generation [55.00308939833555]
PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。
PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。
PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
論文 参考訳（メタデータ） (2021-06-13T11:10:02Z)
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。