Fugu-MT 論文翻訳(概要): OCDaf: Ordered Causal Discovery with Autoregressive Flows

論文の概要: OCDaf: Ordered Causal Discovery with Autoregressive Flows

arxiv url: http://arxiv.org/abs/2308.07480v1
Date: Mon, 14 Aug 2023 22:17:33 GMT
ステータス: 処理完了
システム内更新日: 2023-08-16 14:41:03.190776
Title: OCDaf: Ordered Causal Discovery with Autoregressive Flows
Title（参考訳）: ocdaf:自己回帰フローによる順序因果発見
Authors: Hamidreza Kamkari, Vahid Zehtab, Vahid Balazadeh, Rahul G. Krishnan
Abstract要約: OCDafは観測データから因果グラフを学習するための新しい順序に基づく手法である。 Sachs および SynTReN ベンチマークの最先端性能を実証する。
参考スコア（独自算出の注目度）: 7.972479571606131
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose OCDaf, a novel order-based method for learning causal graphs from observational data. We establish the identifiability of causal graphs within multivariate heteroscedastic noise models, a generalization of additive noise models that allow for non-constant noise variances. Drawing upon the structural similarities between these models and affine autoregressive normalizing flows, we introduce a continuous search algorithm to find causal structures. Our experiments demonstrate state-of-the-art performance across the Sachs and SynTReN benchmarks in Structural Hamming Distance (SHD) and Structural Intervention Distance (SID). Furthermore, we validate our identifiability theory across various parametric and nonparametric synthetic datasets and showcase superior performance compared to existing baselines.
Abstract（参考訳）: OCDafは観測データから因果グラフを学習するための新しい順序に基づく手法である。非定常雑音分散を可能にする付加雑音モデルの一般化である多変量ヘテロシドスティックノイズモデルにおける因果グラフの同定可能性を確立する。これらのモデルとアフィン自己回帰正規化フローの構造的類似性に基づき,因果構造を見つけるための連続探索アルゴリズムを提案する。本実験は, 構造ハミング距離 (SHD) と構造干渉距離 (SID) において, Sachs および SynTReN ベンチマークの最先端性能を示す。さらに, 種々のパラメトリックおよび非パラメトリック合成データセットの識別可能性理論を検証し, 既存のベースラインと比較して優れた性能を示す。

関連論文リスト

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)
Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models [2.0738462952016232]
関数因果モデルに基づく手法は、ユニークなグラフを識別することができるが、次元性の呪いや強いパラメトリックな仮定を課すことに苦しむ。本研究では,局所的な因果構造を利用した観測データにおけるグローバル因果発見のための新しいハイブリッド手法を提案する。我々は, 合成データに対する実証的な検証を行い, 正確性および最悪の場合の時間複雑度を理論的に保証する。
論文参考訳（メタデータ） (2024-05-23T12:28:16Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Accelerated structured matrix factorization [0.0]
行列分解は、複雑な高次元データにおいて、実際の信号は一般に低次元構造にあるという考え方を利用する。ベイジアン縮退を先取りして,高次元行列分解のための計算に便利な手法を考案する。行と列のエンティティ間の依存性は、要素内でフレキシブルなスパースパターンを誘導することによってモデル化される。
論文参考訳（メタデータ） (2022-12-13T11:35:01Z)
On the Sparse DAG Structure Learning Based on Adaptive Lasso [39.31370830038554]
適応NOTEARS[30]という,事前定義されたしきい値のないデータ駆動型DAG構造学習手法を開発した。適応型NOTEARSは特定の条件下でのオラクル特性を享受できることを示し, シミュレーションの結果, エッジのギャップをゼロに設定することなく, 提案手法の有効性を検証した。
論文参考訳（メタデータ） (2022-09-07T05:47:59Z)
A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文参考訳（メタデータ） (2022-08-19T00:35:03Z)
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)
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)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
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。