論文の概要: Learning Linear Gaussian Polytree Models with Interventions

• arxiv url: http://arxiv.org/abs/2311.04636v1
• Date: Wed, 8 Nov 2023 12:29:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 16:02:13.708895
• Title: Learning Linear Gaussian Polytree Models with Interventions
• Title（参考訳）: 介入による線形ガウス多木モデルの学習
• Authors: D. Tramontano, L. Waldmann, M. Drton, and E. Duarte
• Abstract要約: 線形ガウス多樹の因果構造を学ぶための一貫した高度にスケーラブルな局所的アプローチを提案する。 我々の方法はまずポリツリーの骨格を学習し、次にその縁をオリエントする。 我々のシミュレーション研究は、我々のアプローチが高速で、構造的ハミング距離の点で精度が良く、何千ものノードで問題に対処できることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a consistent and highly scalable local approach to learn the causal structure of a linear Gaussian polytree using data from interventional experiments with known intervention targets. Our methods first learn the skeleton of the polytree and then orient its edges. The output is a CPDAG representing the interventional equivalence class of the polytree of the true underlying distribution. The skeleton and orientation recovery procedures we use rely on second order statistics and low-dimensional marginal distributions. We assess the performance of our methods under different scenarios in synthetic data sets and apply our algorithm to learn a polytree in a gene expression interventional data set. Our simulation studies demonstrate that our approach is fast, has good accuracy in terms of structural Hamming distance, and handles problems with thousands of nodes.
• Abstract（参考訳）: 線形ガウス多樹の因果構造を既知の介入目標を用いた介入実験のデータを用いて一貫した高度にスケーラブルな局所的アプローチを提案する。 我々の手法はまずポリツリーの骨格を学習し、その後エッジをオリエントする。 出力は、真の基底分布のポリツリーの介入等価クラスを表すPDAGである。 我々が使用する骨格と方向の回復手順は、二階統計と低次元辺縁分布に依存する。 合成データセットにおける異なるシナリオ下での手法の性能を評価し,遺伝子表現介入データセットにおけるポリツリーの学習にアルゴリズムを適用した。 シミュレーションにより,我々のアプローチは高速であり,構造的ハミング距離の精度が良好であり,数千ノードの問題を処理できることを示した。

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)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Optimal estimation of Gaussian (poly)trees [25.02920605955238]
  分布学習(KL距離)と構造学習(正確な回復)の両問題を考察する。 最初のアプローチはChow-Liuアルゴリズムに基づいており、最適な木構造分布を効率的に学習する。 第2のアプローチは、制約に基づく構造学習のための条件付き独立試験器として部分相関を用いたポリツリーに対するPCアルゴリズムの修正である。
  論文  参考訳（メタデータ） (2024-02-09T12:58:36Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions [3.441021278275805]
  本研究は,各実験における介入対象が不明な場合の観察に基づく因果構造回復の問題について考察する。 干渉対象の知識のないデータ生成モデルの同値クラスを復元するために,GnIESと呼ばれるグリーディアルゴリズムを導出する。 我々は,この手法を活用し,合成,実,半合成のデータセット上でのGnIESの性能を評価する。
  論文  参考訳（メタデータ） (2022-11-27T17:37:21Z)
• Learning Linear Non-Gaussian Polytree Models [2.4493299476776778]
  ポリツリーであるグラフを効率的に学習するアルゴリズムを提案する。 提案手法は,まず無向木構造を学習するChow-Liuアルゴリズムと,エッジを指向する新しいスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2022-08-13T18:20:10Z)
• Distributed Learning of Generalized Linear Causal Networks [19.381934612280993]
  正規化確率スコア(DARLS)に基づく分散焼鈍という構造学習手法を提案する。 DARLSは、そのような理論的保証で因果グラフを学習する最初の方法である。 タンパク質-DNA結合ネットワークを分散ChIPシーケンシングデータでモデル化する現実世界のアプリケーションにおいて、DARLSは他の方法よりも高い予測力を示す。
  論文  参考訳（メタデータ） (2022-01-23T06:33:25Z)
• 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 Linear Polytree Structural Equation Models [4.833417613564028]
  我々は、線形構造方程式モデル(SEM)からデータを生成する際に、有向非巡回グラフ(DAG)を学習する問題に興味を持っている。 我々は、よく知られたChow-Liuアルゴリズムのサンプルサイズについて十分な条件について検討し、ポリツリーの骨格と等価クラスの両方を正確に復元する。 また、各ノードが変数群を表すような群線型ポリツリーモデルの拡張も検討する。
  論文  参考訳（メタデータ） (2021-07-22T23:22:20Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。