論文の概要: Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data

• arxiv url: http://arxiv.org/abs/2310.20537v1
• Date: Tue, 31 Oct 2023 15:19:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 14:29:04.778924
• Title: Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data
• Title（参考訳）: 多変量関数データから因果発見のための有向巡回グラフ
• Authors: Saptarshi Roy, Raymond K. W. Wong, Yang Ni
• Abstract要約: 因果構造学習のための機能線形構造方程式モデルを提案する。 解釈可能性を高めるために,本モデルは低次元因果埋め込み空間を含む。 提案モデルが標準仮定の下で因果的同定可能であることを示す。
• 参考スコア（独自算出の注目度）: 15.26007975367927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering causal relationship using multivariate functional data has received a significant amount of attention very recently. In this article, we introduce a functional linear structural equation model for causal structure learning when the underlying graph involving the multivariate functions may have cycles. To enhance interpretability, our model involves a low-dimensional causal embedded space such that all the relevant causal information in the multivariate functional data is preserved in this lower-dimensional subspace. We prove that the proposed model is causally identifiable under standard assumptions that are often made in the causal discovery literature. To carry out inference of our model, we develop a fully Bayesian framework with suitable prior specifications and uncertainty quantification through posterior summaries. We illustrate the superior performance of our method over existing methods in terms of causal graph estimation through extensive simulation studies. We also demonstrate the proposed method using a brain EEG dataset.
• Abstract（参考訳）: 近年,多変量関数データを用いた因果関係の発見が注目されている。 本稿では,多変量関数を含む基礎グラフが周期を持つ場合,因果構造学習のための関数線形構造方程式モデルを提案する。 解釈可能性を高めるため,本モデルは低次元の因果埋め込み空間を包含し,多変量関数データ中のすべての因果情報を低次元部分空間に保存する。 提案モデルは,因果発見文献によく見られる標準的な仮定の下で,因果的に同定可能であることを証明した。 モデルの推定を行うために,適切な事前仕様と後続要約による不確実性定量化を備えた完全ベイズフレームワークを開発した。 本研究では,提案手法が既存の手法よりも優れた性能を,広範なシミュレーションによる因果グラフ推定により示す。 また,脳脳波データセットを用いて提案手法を示す。

関連論文リスト

• 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)
• 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)
• Latent Multimodal Functional Graphical Model Estimation [26.457941699285165]
  本稿では,データ生成過程をモデル化し,観測空間から潜伏空間へマッピングする演算子を同定する新しいフレームワークを提案する。 次に、変換演算子と潜在グラフを同時に推定する推定器を開発する。 本研究は,脳の機能的接続を示すマルチモーダル脳画像データの解析に応用した。
  論文  参考訳（メタデータ） (2022-10-31T11:43:05Z)
• 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)
• Learning from few examples with nonlinear feature maps [68.8204255655161]
  我々はこの現象を探求し、AIモデルの特徴空間の次元性、データ分散の非退化、モデルの一般化能力の間の重要な関係を明らかにする。 本分析の主な推力は、元のデータを高次元および無限次元空間にマッピングする非線形特徴変換が結果のモデル一般化能力に与える影響である。
  論文  参考訳（メタデータ） (2022-03-31T10:36:50Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• 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)
• 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)
• Efficient Multidimensional Functional Data Analysis Using Marginal Product Basis Systems [2.4554686192257424]
  多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。 本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。 我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
  論文  参考訳（メタデータ） (2021-07-30T16:02:15Z)
• Causal Inference with Deep Causal Graphs [0.0]
  パラメトリック因果モデリング技術は、カウンターファクト推定の機能を提供することはめったにない。 Deep Causal Graphsは、因果分布をモデル化するニューラルネットワークに必要な機能の抽象的な仕様である。 複雑な相互作用をモデル化する上で,その表現力を示し,機械学習の説明可能性と公正性を示す。
  論文  参考訳（メタデータ） (2020-06-15T13:03:33Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。