論文の概要: Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery

• arxiv url: http://arxiv.org/abs/2401.02930v1
• Date: Fri, 5 Jan 2024 18:15:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-08 14:27:09.728422
• Title: Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery
• Title（参考訳）: Dagma-DCE: 解釈可能な非パラメータ微分因果発見
• Authors: Daniel Waxman and Kurt Butler and Petar M. Djuric
• Abstract要約: 本稿では,Dagma-DCEについて紹介する。 textscDagma-DCEは、重み付き隣接行列を定義するために因果強度の解釈可能な尺度を使用する。
• 参考スコア（独自算出の注目度）: 19.939720617730472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Dagma-DCE, an interpretable and model-agnostic scheme for differentiable causal discovery. Current non- or over-parametric methods in differentiable causal discovery use opaque proxies of ``independence'' to justify the inclusion or exclusion of a causal relationship. We show theoretically and empirically that these proxies may be arbitrarily different than the actual causal strength. Juxtaposed to existing differentiable causal discovery algorithms, \textsc{Dagma-DCE} uses an interpretable measure of causal strength to define weighted adjacency matrices. In a number of simulated datasets, we show our method achieves state-of-the-art level performance. We additionally show that \textsc{Dagma-DCE} allows for principled thresholding and sparsity penalties by domain-experts. The code for our method is available open-source at https://github.com/DanWaxman/DAGMA-DCE, and can easily be adapted to arbitrary differentiable models.
• Abstract（参考訳）: dagma-dceは分化可能な因果発見のための解釈可能かつモデル非依存なスキームである。 因果発見における現在の非あるいは過度パラメトリックな手法は、因果関係の包含または排除を正当化するために 'independence'' の不透明なプロキシを使用する。 これらのプロキシが実際の因果強度と任意に異なる可能性があることを理論的および実証的に示す。 既存の微分可能な因果発見アルゴリズムに従えば、 \textsc{Dagma-DCE} は因果強度の解釈可能な尺度を用いて重み付き隣接行列を定義する。 多くのシミュレーションデータセットにおいて,本手法が最先端性能を実現することを示す。 さらに, <textsc{Dagma-DCE} は, ドメインエキスパートによる原則的しきい値とスパース性ペナルティを許容できることを示す。 本手法のコードはhttps://github.com/DanWaxman/DAGMA-DCEで公開されている。

関連論文リスト

• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Bivariate Causal Discovery using Bayesian Model Selection [11.726586969589]
  ベイズ的枠組みに因果仮定を組み込む方法について述べる。 これにより、現実的な仮定でモデルを構築することができます。 その後、幅広いベンチマークデータセットにおいて、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-06-05T14:51:05Z)
• Distinguishing Cause from Effect on Categorical Data: The Uniform Channel Model [0.0]
  一対の確率変数の観測による効果による原因の識別は因果発見における中核的な問題である。 分類変数を用いた原因影響問題に対処するための基準を提案する。 我々は、条件付き確率質量関数が一様チャネル(UC)に最も近い因果方向として選択する。
  論文  参考訳（メタデータ） (2023-03-14T13:54:11Z)
• 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)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Differentiable Causal Discovery Under Unmeasured Confounding [19.635669040319872]
  確立されたシステムは、祖先ADMGを通して表現できないより一般的な平等の制限を示す。 我々はこれらの制約を用いて因果発見を連続最適化問題とする。 シミュレーションにより本手法の有効性を実証し,タンパク質発現データセットに適用する。
  論文  参考訳（メタデータ） (2020-10-14T11:47:45Z)

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。