論文の概要: New metrics and search algorithms for weighted causal DAGs

• arxiv url: http://arxiv.org/abs/2305.04445v1
• Date: Mon, 8 May 2023 03:48:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 15:45:27.073579
• Title: New metrics and search algorithms for weighted causal DAGs
• Title（参考訳）: 重み付き因果DAGの新しいメトリクスと探索アルゴリズム
• Authors: Davin Choo, Kirankumar Shiragur
• Abstract要約: ノード依存コストの適応的介入による因果グラフ発見について検討する。 検索アルゴリズムの最悪の介入コストをキャプチャする新しいベンチマークを定義する。 本研究では,様々な条件下で対数近似を実現する適応探索アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.424262881242935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering causal relationships from data is an important problem. Using observational data, one can typically only recover causal graphs up to a Markov equivalence class and additional assumptions or interventional data are needed for complete recovery. In this work, under some standard assumptions, we study causal graph discovery via adaptive interventions with node-dependent interventional costs. For this setting, we show that no algorithm can achieve an approximation guarantee that is asymptotically better than linear in the number of vertices with respect to the verification number; a well-established benchmark for adaptive search algorithms. Motivated by this negative result, we define a new benchmark that captures the worst-case interventional cost for any search algorithm. Furthermore, with respect to this new benchmark, we provide adaptive search algorithms that achieve logarithmic approximations under various settings: atomic, bounded size interventions and generalized cost objectives.
• Abstract（参考訳）: データから因果関係を復元することは重要な問題である。 観測データを用いると、通常はマルコフ同値クラスまで因果グラフを復元するだけで、完全な回復には追加の仮定や介入データが必要である。 本研究では,ノード依存的介入コストによる適応的介入による因果グラフ発見について検討する。 この設定では、検証数に対する頂点数において線形よりも漸近的に良い近似を保証するアルゴリズムが存在しないことを示し、適応探索アルゴリズムのためのよく確立されたベンチマークである。 このネガティブな結果に触発され、検索アルゴリズムの最悪の介入コストをキャプチャする新しいベンチマークを定義する。 さらに,本ベンチマークでは,原子,境界サイズ介入,一般化コスト目標といった,様々な条件下での対数近似を実現する適応探索アルゴリズムを提案する。

関連論文リスト

• Causal Discovery under Off-Target Interventions [18.92683981229985]
  因果グラフ発見は様々な分野の応用において重要な問題である。 本研究は,介入数の最小化を目標とした介入設定の下での因果発見問題に対処する。
  論文  参考訳（メタデータ） (2024-02-13T05:43:49Z)
• Predictive Coding beyond Correlations [59.47245250412873]
  このようなアルゴリズムのうちの1つは、予測符号化と呼ばれ、因果推論タスクを実行することができるかを示す。 まず、予測符号化の推論過程における簡単な変化が、因果グラフを再利用したり再定義したりすることなく、介入を計算できることを示す。
  論文  参考訳（メタデータ） (2023-06-27T13:57:16Z)
• 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)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• On Correlation Detection and Alignment Recovery of Gaussian Databases [5.33024001730262]
  相関検出は仮説テストの問題であり、ヌル仮説ではデータベースは独立であり、代替仮説では相関する。 我々は,タイプIとタイプIIの誤差確率のバウンダリを開発し,解析された検出器が最近提案した検出器よりも優れた性能を示すことを示す。 データベースが相関として受け入れられると、アルゴリズムは与えられたデータベース間の部分的なアライメントを復元する。
  論文  参考訳（メタデータ） (2022-11-02T12:01:42Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• 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)
• A Single Iterative Step for Anytime Causal Discovery [7.570246812206772]
  観測された非介入データから因果グラフを回復するための健全で完全なアルゴリズムを提示する。 我々は因果マルコフと忠実性仮定に依存し、基礎となる因果グラフの同値クラスを回復する。 提案アルゴリズムでは,FCIアルゴリズムと比較して,CIテストと条件セットの大幅な削減が要求される。
  論文  参考訳（メタデータ） (2020-12-14T13:46:01Z)

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。