論文の概要: Causal Discovery with Latent Confounders Based on Higher-Order Cumulants

• arxiv url: http://arxiv.org/abs/2305.19582v1
• Date: Wed, 31 May 2023 05:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 18:19:04.179453
• Title: Causal Discovery with Latent Confounders Based on Higher-Order Cumulants
• Title（参考訳）: 高次累積に基づく潜在共同設立者による因果発見
• Authors: Ruichu Cai, Zhiyi Huang, Wei Chen, Zhifeng Hao, Kun Zhang
• Abstract要約: 潜在共同設立者による因果関係の発見は、多くの科学分野において重要であるが難しい課題である。 オーバーコンプリート独立成分分析(OICA)に基づく手法が一部の領域で成功しているにもかかわらず、計算コストが高く、局所最適状態に陥りやすい。 本稿では,OICA に対する 1-Latent-Component 構造に対応する閉形式解を提案する。
• 参考スコア（独自算出の注目度）: 37.006470883710755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery with latent confounders is an important but challenging task in many scientific areas. Despite the success of some overcomplete independent component analysis (OICA) based methods in certain domains, they are computationally expensive and can easily get stuck into local optima. We notice that interestingly, by making use of higher-order cumulants, there exists a closed-form solution to OICA in specific cases, e.g., when the mixing procedure follows the One-Latent-Component structure. In light of the power of the closed-form solution to OICA corresponding to the One-Latent-Component structure, we formulate a way to estimate the mixing matrix using the higher-order cumulants, and further propose the testable One-Latent-Component condition to identify the latent variables and determine causal orders. By iteratively removing the share identified latent components, we successfully extend the results on the One-Latent-Component structure to the Multi-Latent-Component structure and finally provide a practical and asymptotically correct algorithm to learn the causal structure with latent variables. Experimental results illustrate the asymptotic correctness and effectiveness of the proposed method.
• Abstract（参考訳）: 潜在共同設立者による因果関係の発見は多くの科学分野において重要だが難しい課題である。 オーバーコンプリート独立成分分析(OICA)に基づく手法が一部の領域で成功しているにもかかわらず、計算コストが高く、局所最適状態に陥りやすい。 興味深いことに、高次累積法を用いることで、例えば、混合手順が1-Latent-Component構造に従う場合など、特定の場合においてOICAに対する閉形式解が存在することに気付く。 さらに, 1-latent-component構造に対応するoicaに対する閉形式解のパワーに照らして, 高次累積式を用いて混合行列を推定する方法を定式化し, さらに, 潜在変数を同定し因果順序を決定するためのテスト可能な1-latent-component条件を提案する。 同定された潜在成分を反復的に除去することにより, 1成分構造の結果を多成分構造に拡張し, 最終的に, 潜在変数を用いた因果構造を学習するための実用的かつ漸近的に正しいアルゴリズムを提供する。 実験結果は,提案手法の漸近的正しさと有効性を示す。

関連論文リスト

• Efficient Estimation of Unique Components in Independent Component Analysis by Matrix Representation [1.0282274843007793]
  独立成分分析(ICA)は信号処理や特徴抽出の様々な応用において広く用いられている手法である。 本稿では,アルゴリズムを行列表現で再構成することにより,ICAの固有推定を高度に高速化する。 人工データセットと脳波データを用いた実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-08-30T09:01:04Z)
• Revisiting Deep Generalized Canonical Correlation Analysis [30.389620125859356]
  正準相関解析は、2つ以上の観測されたランダムベクトルの基盤となる潜在共変分法を発見するための古典的な方法である。 CCAの様々な拡張とバリエーションが提案され、マルチビューデータセットから一般的なランダムな要因を明らかにすることで、我々の能力を強化した。 本稿では,近年の深部CCAの決定論的拡張について再考し,これらの最先端手法の強みと限界を強調した。
  論文  参考訳（メタデータ） (2023-12-20T22:15:10Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders [46.31784571870808]
  いくつかの穏やかな仮定の下では、モデルがハイブリッドメソッドによって一意に識別されることを示す。 本手法は,制約ベース手法と独立ノイズベース手法の利点を生かして,共起状況と未解決状況の両方を扱う。
  論文  参考訳（メタデータ） (2021-03-26T03:12:14Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• A Recursive Markov Boundary-Based Approach to Causal Structure Learning [22.38302412440357]
  因果構造学習のための新しい再帰型手法を提案する。 条件付き独立テストの必要回数を大幅に削減する。 実験の結果,提案アルゴリズムは,合成構造と実世界構造の両方において,最先端のアルゴリズム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） (2020-10-10T13:26:22Z)
• Disjoint principal component analysis by constrained binary particle swarm optimization [0.0]
  本稿では,解離主成分分析の代替手法を提案する。 提案手法は粒子群最適化により制約付きバイナリ最適化と命名される。 提案手法により得られた解の質を数値的に検証する。
  論文  参考訳（メタデータ） (2020-04-22T17:07:19Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。