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
- 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) - Generalization of LiNGAM that allows confounding [1.0878040851637998]
LiNGAMは、加算雑音モデルを用いて原因から効果までの変数順序を決定する。
それまでの手法では、コンバウンディングの有無にかかわらず、重要な計算資源を必要としていた。
コンバウンディングの大きさを定量化するLiNGAM-MMIを導入することでLiNGAMを向上する。
論文 参考訳(メタデータ) (2024-01-30T01:24:43Z) - Functional Linear Non-Gaussian Acyclic Model for Causal Discovery [7.303542369216906]
我々は、fMRIとEEGデータセットを含む脳効果接続タスクにおける因果関係を識別するフレームワークを開発する。
非ガウス確率ベクトルと無限次元ヒルベルト空間のランダム関数の間の因果関係の同定可能性の理論的保証を確立する。
実データでは、fMRIデータから得られる脳の接続パターンを分析することに重点を置いている。
論文 参考訳(メタデータ) (2024-01-17T23:27:48Z) - Causal Discovery under Identifiable Heteroscedastic Noise Model [50.23769985430187]
因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。
本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。
次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-20T08:51:58Z) - SLEM: Machine Learning for Path Modeling and Causal Inference with Super
Learner Equation Modeling [3.988614978933934]
因果推論は科学の重要な目標であり、研究者は観測データを使って意味のある結論に達することができる。
経路モデル、構造方程式モデル(SEM)および指向非巡回グラフ(DAG)は、現象の根底にある因果構造に関する仮定を明確に特定する手段を提供する。
本稿では,機械学習のスーパーラーナーアンサンブルを統合したパスモデリング手法であるSuper Learner Equation Modelingを提案する。
論文 参考訳(メタデータ) (2023-08-08T16:04:42Z) - 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。