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
- Sample, estimate, aggregate: A recipe for causal discovery foundation
models [30.71561923454788]
本稿では,従来の探索アルゴリズムから予測を解くために,学習モデルを事前訓練した因果探索フレームワークを提案する。
提案手法は, 合成および現実的なデータセット上での最先端性能を実現し, トレーニング中に見えないデータ生成機構に一般化し, 既存のモデルよりも桁違いに高速な推論速度を提供する。
論文 参考訳(メタデータ) (2024-02-02T21:57:58Z) - 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) - Structural Learning of Probabilistic Sentential Decision Diagrams under
Partial Closed-World Assumption [127.439030701253]
確率感性決定図は構造化分解可能な回路のクラスである。
本稿では,回路の論理的基盤を暗黙的に提供する部分閉世界仮定に基づく新しいスキームを提案する。
予備実験では、提案手法がトレーニングデータに適切に適合し、基礎となる論理的基盤と整合性を維持した上で、テストデータによく適合することを示した。
論文 参考訳(メタデータ) (2021-07-26T12:01:56Z) - 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) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z)
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。