論文の概要: Multi-granularity Causal Structure Learning
- arxiv url: http://arxiv.org/abs/2312.05549v1
- Date: Sat, 9 Dec 2023 11:35:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 20:26:58.650733
- Title: Multi-granularity Causal Structure Learning
- Title（参考訳）: 多粒度因果構造学習
- Authors: Jiaxuan Liang, Jun Wang, Guoxian Yu, Shuyin Xia, Guoyin Wang
- Abstract要約: 本研究では,まずスパースオートエンコーダを利用して粗粒化戦略と因果抽象化を探索するMgCSL(Multi-granularity Causal Structure Learning)を開発した。
MgCSLはマルチグラニュラリティ変数を入力として、多層パーセプトロンを訓練し、変数間の因果関係を探索する。
実験の結果,MgCSLは競争ベースラインより優れており,fMRIデータセット上の因果関係が説明できることがわかった。
- 参考スコア（独自算出の注目度）: 23.125497987255237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unveil, model, and comprehend the causal mechanisms underpinning natural
phenomena stand as fundamental endeavors across myriad scientific disciplines.
Meanwhile, new knowledge emerges when discovering causal relationships from
data. Existing causal learning algorithms predominantly focus on the isolated
effects of variables, overlook the intricate interplay of multiple variables
and their collective behavioral patterns. Furthermore, the ubiquity of
high-dimensional data exacts a substantial temporal cost for causal algorithms.
In this paper, we develop a novel method called MgCSL (Multi-granularity Causal
Structure Learning), which first leverages sparse auto-encoder to explore
coarse-graining strategies and causal abstractions from micro-variables to
macro-ones. MgCSL then takes multi-granularity variables as inputs to train
multilayer perceptrons and to delve the causality between variables. To enhance
the efficacy on high-dimensional data, MgCSL introduces a simplified acyclicity
constraint to adeptly search the directed acyclic graph among variables.
Experimental results show that MgCSL outperforms competitive baselines, and
finds out explainable causal connections on fMRI datasets.
- Abstract（参考訳）: 自然現象の根底にある因果的メカニズムを解き明かし、モデル化し、理解することは、無数の科学分野にまたがる基本的な取り組みである。
一方、データから因果関係を発見すると、新たな知識が生まれる。
既存の因果学習アルゴリズムは主に変数の孤立した効果に注目し、複数の変数の複雑な相互作用とその集団行動パターンを見落としている。
さらに、高次元データの有用性は因果アルゴリズムの時間的コストをかなり正確に表す。
本稿では,まずスパースオートエンコーダを利用したMgCSL(Multi-granularity Causal Structure Learning)と呼ばれる新しい手法を開発し,粗粒化戦略と微粒化からマクロ化への因果的抽象化について検討する。
MgCSLはマルチグラニュラリティ変数を入力として、多層パーセプトロンを訓練し、変数間の因果関係を探索する。
高次元データに対する有効性を高めるため、MgCSLは変数間の有向非巡回グラフを積極的に探索する単純化された非循環性制約を導入する。
実験の結果,MgCSLは競争ベースラインより優れており,fMRIデータセット上の因果関係が説明できることがわかった。
関連論文リスト
- Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity [4.637772575470497]
本稿では,KEELというファジィ知識とデータ協調型因果発見手法を提案する。
KEELはファジィ因果知識スキーマを採用し、様々な種類のファジィ知識をカプセル化し、制約の弱さに対応する。
因果発見の一般化と堅牢性、特に高次元および小サンプルシナリオにおいて強化することができる。
論文 参考訳（メタデータ） (2024-05-14T15:39:22Z) - ALCM: Autonomous LLM-Augmented Causal Discovery Framework [2.1470800327528843]
我々は、データ駆動因果探索アルゴリズムと大規模言語モデルとを相乗化するために、ALCM(Autonomous LLM-Augmented Causal Discovery Framework)という新しいフレームワークを導入する。
ALCMは、因果構造学習(英語版)、因果ラッパー(英語版)、LLM駆動因果リファクター(英語版)の3つの統合的な構成要素から構成される。
我々は、よく知られた7つのデータセットに2つのデモを実装することで、ALCMフレームワークを評価する。
論文 参考訳（メタデータ） (2024-05-02T21:27:45Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z) - Causal disentanglement of multimodal data [1.589226862328831]
因果関係を持つ重要な特徴を発見するために,マルチモーダルデータと既知の物理を利用する因果表現学習アルゴリズム(causalPIMA)を導入する。
本研究は,完全教師なし環境下で重要な特徴を同時に発見しながら,解釈可能な因果構造を学習する能力を示すものである。
論文 参考訳（メタデータ） (2023-10-27T20:30:11Z) - Heteroscedastic Causal Structure Learning [2.566492438263125]
ガウス雑音下での不連続因果構造学習問題に取り組む。
因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。
その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
論文 参考訳（メタデータ） (2023-07-16T07:53:16Z) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳（メタデータ） (2023-06-08T09:40:28Z) - Deep Learning of Causal Structures in High Dimensions [0.6021787236982659]
本研究では,経験的データと先行因果的知識の組み合わせから,変数間の因果関係を学習するための深いニューラルネットワークを提案する。
我々は、因果リスクフレームワークに畳み込みニューラルネットワークとグラフニューラルネットワークを組み合わせて、柔軟でスケーラブルなアプローチを提供します。
論文 参考訳（メタデータ） (2022-12-09T14:12:47Z) - 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) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳（メタデータ） (2021-07-02T05:44:56Z)
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。