論文の概要: Comparative Study of Causal Discovery Methods for Cyclic Models with
Hidden Confounders
- arxiv url: http://arxiv.org/abs/2401.13009v1
- Date: Tue, 23 Jan 2024 08:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 16:31:54.618516
- Title: Comparative Study of Causal Discovery Methods for Cyclic Models with
Hidden Confounders
- Title（参考訳）: 隠れ共同創設者による循環モデルにおける因果発見法の比較研究
- Authors: Boris Lorbeer, Mustafa Mohsen
- Abstract要約: 我々は、サイクルと隠れた共同設立者を持つことが許される疎線形モデルの因果発見の問題に焦点をあてる。
我々は4つの因果発見技術に関する包括的かつ徹底的な比較研究を準備した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, the need for causal discovery is ubiquitous. A better understanding
of not just the stochastic dependencies between parts of a system, but also the
actual cause-effect relations, is essential for all parts of science. Thus, the
need for reliable methods to detect causal directions is growing constantly. In
the last 50 years, many causal discovery algorithms have emerged, but most of
them are applicable only under the assumption that the systems have no feedback
loops and that they are causally sufficient, i.e. that there are no unmeasured
subsystems that can affect multiple measured variables. This is unfortunate
since those restrictions can often not be presumed in practice. Feedback is an
integral feature of many processes, and real-world systems are rarely
completely isolated and fully measured. Fortunately, in recent years, several
techniques, that can cope with cyclic, causally insufficient systems, have been
developed. And with multiple methods available, a practical application of
those algorithms now requires knowledge of the respective strengths and
weaknesses. Here, we focus on the problem of causal discovery for sparse linear
models which are allowed to have cycles and hidden confounders. We have
prepared a comprehensive and thorough comparative study of four causal
discovery techniques: two versions of the LLC method [10] and two variants of
the ASP-based algorithm [11]. The evaluation investigates the performance of
those techniques for various experiments with multiple interventional setups
and different dataset sizes.
- Abstract（参考訳）: 現在、因果発見の必要性は至るところにある。
システムの部分間の確率的依存関係だけでなく、実際の因果関係をよりよく理解することは、科学のすべての部分にとって不可欠である。
したがって、因果方向を検出するための信頼性の高い方法の必要性は常に増大している。
過去50年間で、多くの因果発見アルゴリズムが登場したが、そのほとんどはフィードバックループがなく、それらは因果的に十分である、すなわち、複数の測定された変数に影響を及ぼす未測定のサブシステムは存在しないという仮定の下でのみ適用できる。
これらの制限は実際には想定できないことが多いため、これは不運である。
フィードバックは多くのプロセスにおいて不可欠な機能であり、現実世界のシステムは完全に分離され、完全に測定されることはめったにない。
幸いなことに、近年は循環的かつ因果的に不十分なシステムに対処できるいくつかの技術が開発されている。
そして、複数の方法が利用可能になると、これらのアルゴリズムの実用的応用には、それぞれの強みと弱みの知識が必要になる。
ここでは,サイクルと隠れた共同設立者を持つことができる疎線形モデルの因果的発見の問題に焦点をあてる。
我々は,CLL法[10]の2つのバージョンとASPベースのアルゴリズム[11]の2つの変種という,4つの因果発見手法の包括的かつ徹底的な比較研究を準備した。
評価は、複数の介入設定とデータセットサイズが異なる様々な実験において、これらの手法の性能について検討する。
関連論文リスト
- Robust Causal Analysis of Linear Cyclic Systems With Hidden Confounders [0.0]
多くの複雑なシステムにはフィードバックループがあり、これは我々の手法が周期的因果関係を許容する必要があることを意味する。
データは、しばしば汚染されたプロセスによって歪むので、そのような歪みに対して堅牢な手法を適用する必要があります。
我々はLLCの堅牢性について検討する。 citellcは、隠れた共同設立者と循環モデルを扱う数少ない因果分析手法の1つだ。
論文 参考訳（メタデータ） (2024-11-18T14:09:01Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - 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) - Valid Inference After Causal Discovery [73.87055989355737]
我々は、因果関係発見後の推論に有効なツールを開発する。
因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
論文 参考訳（メタデータ） (2022-08-11T17:40:45Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - GRACE-C: Generalized Rate Agnostic Causal Estimation via Constraints [3.2374399328078285]
時系列データから因果学習アルゴリズムによって推定される図形構造は、生成プロセスの因果時間スケールがデータの測定時間スケールと一致しない場合、誤解を招く因果情報を提供することができる。
既存のアルゴリズムは、この課題に対応するための限られたリソースを提供するため、研究者は彼らが知っているモデルを使うか、あるいは完全に因果学習を行う必要がある。
既存の方法は、(1)因果差と測定値の違いが知られていること、(2)時間スケールの違いが不明な場合にのみ非常に少数のランダム変数を扱うこと、(3)変数のペアにのみ適用されること、4)変数のペアにしか適用できないこと、など、四つの異なる欠点に直面している。
論文 参考訳（メタデータ） (2022-05-18T22:38:57Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳（メタデータ） (2021-11-28T14:24:52Z) - VICause: Simultaneous Missing Value Imputation and Causal Discovery with
Groups [12.055670392677248]
提案するVICauseは,難読値の計算と因果発見をディープラーニングで効率的に行うための新しい手法である。
提案手法は,不備な値計算と因果発見の両方において,人気や近年のアプローチと比較して,性能が向上したことを示す。
論文 参考訳（メタデータ） (2021-10-15T17:35:20Z) - DPER: Efficient Parameter Estimation for Randomly Missing Data [0.24466725954625884]
本稿では,1クラス・複数クラスのランダムに欠落したデータセットに対して,最大推定値(MLE)を求めるアルゴリズムを提案する。
我々のアルゴリズムは、データを通して複数のイテレーションを必要としないので、他の方法よりも時間のかかることを約束します。
論文 参考訳（メタデータ） (2021-06-06T16:37:48Z) - Leveraging Pre-Images to Discover Nonlinear Relationships in
Multivariate Environments [0.0]
因果発見は、人工知能を用いた科学的発見において重要な機能を提供する。
多くの実世界の時間観測が互いに非線形に関連していることが判明した。
本手法は,観測が時間によって制限され,非線形に関連している場合に,最先端の因果発見法より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-01T22:42:51Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた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） (2021-05-06T08:48:02Z)
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。