論文の概要: TSLiNGAM: DirectLiNGAM under heavy tails
- arxiv url: http://arxiv.org/abs/2308.05422v1
- Date: Thu, 10 Aug 2023 08:34:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 13:08:45.586144
- Title: TSLiNGAM: DirectLiNGAM under heavy tails
- Title(参考訳): TSLiNGAM: DirectLiNGAM under heavy tails (英語)
- Authors: Sarah Leyder, Jakob Raymaekers and Tim Verdonck
- Abstract要約: 本研究では、観測データに基づく因果モデルのDAGを同定する新しい手法TSLiNGAMを提案する。
TSLiNGAMは、変数間の因果方向を識別するために単純なOLS回帰を利用する人気アルゴリズムであるDirectLiNGAMをベースにしている。
重み付きおよび歪んだデータに対して著しく優れた性能を示し、より小さなサンプル効率を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the established approaches to causal discovery consists of combining
directed acyclic graphs (DAGs) with structural causal models (SCMs) to describe
the functional dependencies of effects on their causes. Possible
identifiability of SCMs given data depends on assumptions made on the noise
variables and the functional classes in the SCM. For instance, in the LiNGAM
model, the functional class is restricted to linear functions and the
disturbances have to be non-Gaussian.
In this work, we propose TSLiNGAM, a new method for identifying the DAG of a
causal model based on observational data. TSLiNGAM builds on DirectLiNGAM, a
popular algorithm which uses simple OLS regression for identifying causal
directions between variables. TSLiNGAM leverages the non-Gaussianity assumption
of the error terms in the LiNGAM model to obtain more efficient and robust
estimation of the causal structure. TSLiNGAM is justified theoretically and is
studied empirically in an extensive simulation study. It performs significantly
better on heavy-tailed and skewed data and demonstrates a high small-sample
efficiency. In addition, TSLiNGAM also shows better robustness properties as it
is more resilient to contamination.
- Abstract(参考訳): 因果発見の確立されたアプローチの1つは、その原因に対する影響の関数的依存性を記述するために、有向非巡回グラフ(DAG)と構造因果モデル(SCM)を組み合わせることである。
与えられたデータに対するSCMの識別可能性は、SCMの雑音変数と機能クラスに関する仮定に依存する。
例えば、リンガムモデルでは、関数クラスは線型関数に制限され、外乱は非ガウスである必要がある。
本研究では,観測データに基づく因果モデルのDAGを同定する新しい手法TSLiNGAMを提案する。
TSLiNGAMは、変数間の因果方向を識別するために単純なOLS回帰を利用する人気アルゴリズムであるDirectLiNGAMをベースにしている。
TSLiNGAMは、LiNGAMモデルにおける誤差項の非ガウス性仮定を利用して、因果構造のより効率的で堅牢な推定を得る。
TSLiNGAMは理論的に正当化され、広範なシミュレーション研究で実証研究されている。
重み付きおよび歪んだデータに対して著しく優れた性能を示し、より小さなサンプル効率を示す。
加えて、TSLiNGAMは汚染に対する耐性が高いため、優れた堅牢性を示す。
関連論文リスト
- Robust Time Series Causal Discovery for Agent-Based Model Validation [5.430532390358285]
本研究では、ABM検証のための因果構造学習を強化するために、ロバストクロスバリデーション(RCV)アプローチを提案する。
RCV-VarLiNGAM と RCV-PCMCI を開発した。
提案手法は、拡張されたABM検証フレームワークに統合される。
論文 参考訳(メタデータ) (2024-10-25T09:13:26Z) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-02T04:01:38Z) - Learning linear acyclic causal model including Gaussian noise using ancestral relationships [6.340689966560241]
LiNGAMは因果モデルに対して線形性と連続的な非ガウス的障害を仮定する。
PCアルゴリズムは因果モデルへの忠実性以外の仮定をしない。
本稿では,線形因果モデルの分布等価パターンを低時間で学習するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-08-31T11:07:15Z) - Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。
CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。
本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
論文 参考訳(メタデータ) (2024-07-06T07:19:21Z) - Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration [0.0]
本稿では,LiNGAM-SPPフレームワークの3倍拡張を提案する。
パラメータチューニングの必要性は、kNNベースの相互情報の代わりに、ペアワイズ確率比を用いて排除される。
先行知識の組み入れは、すべての因果順序のグラフ表現に実装されたノードスキッピング戦略によって実現される。
論文 参考訳(メタデータ) (2024-04-18T05:59:28Z) - Learning Latent Structural Causal Models [31.686049664958457]
機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。
本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
論文 参考訳(メタデータ) (2022-10-24T20:09:44Z) - Relational Reasoning via Set Transformers: Provable Efficiency and
Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。
残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。
モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文 参考訳(メタデータ) (2022-09-20T16:42:59Z) - 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) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳(メタデータ) (2022-01-28T09:30:32Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - 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。