論文の概要: Stable Differentiable Causal Discovery

• arxiv url: http://arxiv.org/abs/2311.10263v1
• Date: Fri, 17 Nov 2023 01:14:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 15:15:00.341099
• Title: Stable Differentiable Causal Discovery
• Title（参考訳）: 安定な微分可能な因果発見
• Authors: Achille Nazaret, Justin Hong, Elham Azizi, David Blei
• Abstract要約: 我々は、因果関係を有向非巡回グラフ(DAG)として参照する新しい方法として、安定微分因果探索(SDCD)を提案する。 この制約は、理論上も経験上もより安定であり、計算が高速である。 SDCDは収束速度と精度の両方で既存の手法より優れており、数千の変数に拡張可能である。
• 参考スコア（独自算出の注目度）: 2.2120851074630177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring causal relationships as directed acyclic graphs (DAGs) is an important but challenging problem. Differentiable Causal Discovery (DCD) is a promising approach to this problem, framing the search as a continuous optimization. But existing DCD methods are numerically unstable, with poor performance beyond tens of variables. In this paper, we propose Stable Differentiable Causal Discovery (SDCD), a new method that improves previous DCD methods in two ways: (1) It employs an alternative constraint for acyclicity; this constraint is more stable, both theoretically and empirically, and fast to compute. (2) It uses a training procedure tailored for sparse causal graphs, which are common in real-world scenarios. We first derive SDCD and prove its stability and correctness. We then evaluate it with both observational and interventional data and on both small-scale and large-scale settings. We find that SDCD outperforms existing methods in both convergence speed and accuracy and can scale to thousands of variables.
• Abstract（参考訳）: 有向非巡回グラフ(DAG)として因果関係を推定することは重要であるが難しい問題である。 微分因果発見(DCD)は、連続的な最適化として探索をフレーミングする、この問題に対する有望なアプローチである。 しかし、既存のDCD法は数値的に不安定であり、性能は数十変数を超えている。 本稿では,従来のDCD法を2つの方法で改善する新しい手法である安定微分因数探索法(SDCD:Stable Differentiable Causal Discovery)を提案する。 (2)実世界のシナリオでよく見られるスパース因果グラフ用に調整されたトレーニング手順を使用する。 まずSDCDを導出し,その安定性と正確性を証明する。 次に、観察データと介入データと、小規模・大規模の両方で評価する。 SDCDは収束速度と精度の両方で既存の手法より優れており、数千の変数に拡張可能である。

関連論文リスト

• Scalable Dual Coordinate Descent for Kernel Methods [0.0]
  本稿では,カーネルサポートベクトルマシン(K-SVM)とカーネルリッジ回帰(K-RR)問題に対して,スケーラブルなデュアルコーディネートDescent(DCD)とブロックデュアルコーディネートDescent(BDCD)手法を開発する。 K-SVM と K-RR の問題をそれぞれ解くために DCD と BDCD の $s$-step 変種を導出する。 新しい$s$-stepは、最大512ドルのコアを使用する既存のメソッドよりも、9.8タイムの強力なスケーリングスピードアップを実現した。
  論文  参考訳（メタデータ） (2024-06-26T01:10:07Z)
• AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
  既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。 具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。 これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
  論文  参考訳（メタデータ） (2024-03-06T15:06:11Z)
• Direct Diffusion Bridge using Data Consistency for Inverse Problems [65.04689839117692]
  拡散モデルに基づく逆問題解法は優れた性能を示したが、速度は制限されている。 いくつかの最近の研究は、拡散プロセスを構築し、クリーンで破損したものを直接ブリッジすることでこの問題を緩和しようと試みている。 微調整を必要とせずにデータの一貫性を強制する改良された推論手順を提案する。
  論文  参考訳（メタデータ） (2023-05-31T12:51:10Z)
• Scaling up Stochastic Gradient Descent for Non-convex Optimisation [5.908471365011942]
  本稿では,共有並列計算問題に対する新しいアプローチを提案する。 2つの戦略を統一されたフレームワークに組み合わせることで、DPSGDはより良い取引計算フレームワークになります。 深層学習(DRL)問題と深層学習(DRL)問題(アドバンテージアクター - A2C)についてDPSGDにより潜在ゲインを達成できる。
  論文  参考訳（メタデータ） (2022-10-06T13:06:08Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Density-aware Chamfer Distance as a Comprehensive Metric for Point Cloud Completion [90.26652899910019]
  チャンファー距離 (CD) とアースモーバー距離 (EMD) は、2つの点集合間の類似度を測定するために広く採用されている2つの指標である。 本稿では,DCD(Dedentity-Aware Chamfer Distance)と呼ばれる新しい類似度尺度を提案する。 DCDは、全体構造と局所的詳細の両方に注意を払っており、CDと矛盾する場合でも、より信頼性の高い評価を提供する。
  論文  参考訳（メタデータ） (2021-11-24T18:56:27Z)
• Contrastive Divergence Learning is a Time Reversal Adversarial Game [32.46369991490501]
  コントラスト分岐学習(Contrastive divergence learning, CD)は、非正規化統計モデルをデータサンプルに適合させる古典的な手法である。 判別器がモデルから生成したマルコフ連鎖が時間反転したかどうかを分類しようとする場合,CDは逆学習法であることを示す。 我々の導出は、CDの更新ステップが任意の固定目的関数の勾配として表現できないと結論づけた以前の観測とよく一致している。
  論文  参考訳（メタデータ） (2020-12-06T15:54:05Z)
• An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
  最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。 最適化からの収束率を用いた原因影響SCMの適応速度について検討する。 驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
  論文  参考訳（メタデータ） (2020-05-18T23:48:56Z)

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。