論文の概要: dotears: Scalable, consistent DAG estimation using observational and
interventional data
- arxiv url: http://arxiv.org/abs/2305.19215v1
- Date: Tue, 30 May 2023 17:03:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 14:44:26.475111
- Title: dotears: Scalable, consistent DAG estimation using observational and
interventional data
- Title(参考訳): dotears:観測データと介入データを用いたスケーラブルで一貫したDAG推定
- Authors: Albert Xue, Jingyou Rao, Sriram Sankararaman, Harold Pimentel
- Abstract要約: $texttdotears$[doo-tairs]は、継続的最適化を通じて単一の因果構造を推論するスケーラブルな構造学習フレームワークである。
我々は、$texttdotears$は、軽度の仮定の下で真DAGの証明可能な一貫した推定量であることを示した。
- 参考スコア(独自算出の注目度): 2.2079886535603084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning causal directed acyclic graphs (DAGs) from data is complicated by a
lack of identifiability and the combinatorial space of solutions. Recent work
has improved tractability of score-based structure learning of DAGs in
observational data, but is sensitive to the structure of the exogenous error
variances. On the other hand, learning exogenous variance structure from
observational data requires prior knowledge of structure. Motivated by new
biological technologies that link highly parallel gene interventions to a
high-dimensional observation, we present $\texttt{dotears}$ [doo-tairs], a
scalable structure learning framework which leverages observational and
interventional data to infer a single causal structure through continuous
optimization. $\texttt{dotears}$ exploits predictable structural consequences
of interventions to directly estimate the exogenous error structure, bypassing
the circular estimation problem. We extend previous work to show, both
empirically and analytically, that the inferences of previous methods are
driven by exogenous variance structure, but $\texttt{dotears}$ is robust to
exogenous variance structure. Across varied simulations of large random DAGs,
$\texttt{dotears}$ outperforms state-of-the-art methods in structure
estimation. Finally, we show that $\texttt{dotears}$ is a provably consistent
estimator of the true DAG under mild assumptions.
- Abstract(参考訳): データからの因果有向非巡回グラフ(DAG)の学習は、識別可能性の欠如と解の組合せ空間によって複雑である。
最近の研究は、観測データにおけるDAGのスコアに基づく構造学習のトラクタビリティを改善したが、外因性エラー分散の構造に敏感である。
一方,観測データから外因的分散構造を学ぶには,事前構造知識が必要である。
高次遺伝子介入と高次元の観察を結びつける新しい生物学的技術に触発され、連続的な最適化を通じて単一の因果構造を推測するために観察・介入データを活用するスケーラブルな構造学習フレームワークである$\texttt{dotears}$[doo-tairs]を提示する。
dotears}$\texttt{dotears}$は、外因性エラー構造を直接推定するために介入の予測可能な構造的結果を利用する。
経験的および分析的に、従来の方法の推論は外因的分散構造によって駆動されるが、$\texttt{dotears}$ は外因的分散構造に頑健であることを示すために、以前の研究を拡張した。
大規模ランダムDAGの様々なシミュレーション、$\texttt{dotears}$は構造推定における最先端の手法より優れている。
最後に、$\texttt{dotears}$は、穏やかな仮定の下で真DAGの証明可能な一貫した推定量であることを示す。
関連論文リスト
- CoLiDE: Concomitant Linear DAG Estimation [12.415463205960156]
観測データから線形方程式への非巡回グラフ構造学習の問題に対処する。
本稿では,空間認識学習DAGのための新しい凸スコア関数を提案する。
論文 参考訳(メタデータ) (2023-10-04T15:32:27Z) - BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。
本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。
我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
論文 参考訳(メタデータ) (2023-07-26T02:34:13Z) - 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) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-06T14:49:59Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - 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) - Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。
マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。
理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
論文 参考訳(メタデータ) (2021-11-03T22:10:18Z) - Learning Curves for SGD on Structured Features [23.40229188549055]
本研究では,学習中におけるテストエラーを正確に予測するために,特徴空間内のデータの幾何学が重要であることを示す。
提案手法は,学習中のテストエラーを正確に予測するためには,特徴空間内のデータの幾何をモデル化することが極めて重要であることを示す。
論文 参考訳(メタデータ) (2021-06-04T20:48:20Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳(メタデータ) (2020-09-28T09:49:38Z)
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。