論文の概要: CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2401.16974v1
• Date: Tue, 30 Jan 2024 12:57:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 15:06:28.942063
• Title: CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement Learning
• Title（参考訳）: CORE: 強化学習によるスケーラブルで効率的な因果発見を目指す
• Authors: Andreas W.M. Sauter, Nicol\`o Botteghi, Erman Acar, Aske Plaat
• Abstract要約: COREは、因果発見と介入計画のための強化学習に基づくアプローチである。 その結果,COREは未知のグラフに一般化し,因果構造を効率的に発見できることがわかった。 COREは最大10変数のグラフにスケールし、構造推定精度とサンプル効率において既存のアプローチより優れている。
• 参考スコア（独自算出の注目度）: 2.7446241148152253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery is the challenging task of inferring causal structure from data. Motivated by Pearl's Causal Hierarchy (PCH), which tells us that passive observations alone are not enough to distinguish correlation from causation, there has been a recent push to incorporate interventions into machine learning research. Reinforcement learning provides a convenient framework for such an active approach to learning. This paper presents CORE, a deep reinforcement learning-based approach for causal discovery and intervention planning. CORE learns to sequentially reconstruct causal graphs from data while learning to perform informative interventions. Our results demonstrate that CORE generalizes to unseen graphs and efficiently uncovers causal structures. Furthermore, CORE scales to larger graphs with up to 10 variables and outperforms existing approaches in structure estimation accuracy and sample efficiency. All relevant code and supplementary material can be found at https://github.com/sa-and/CORE
• Abstract（参考訳）: 因果発見は、データから因果構造を推測する難しいタスクである。 受動的観察だけでは因果関係と因果関係の区別が不十分であることを示すパールの因果階層(pch)に動機づけられた最近の研究は、機械学習研究に介入を組み込もうとしている。 強化学習は、このようなアクティブな学習アプローチのための便利なフレームワークを提供する。 本稿では、因果発見と介入計画のための深層強化学習に基づくアプローチであるCOREを提案する。 COREはデータから因果グラフを逐次再構築し、情報的介入を学習する。 その結果,COREは未知のグラフに一般化し,因果構造を効率的に発見できることがわかった。 さらに、COREは最大10変数のグラフにスケールし、構造推定精度とサンプル効率において既存のアプローチより優れている。 すべての関連コードと追加資料はhttps://github.com/sa-and/COREで確認できる。

関連論文リスト

• Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
  因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。 オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。 グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ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） (2024-05-19T13:26:33Z)
• Discovery of the Hidden World with Large Language Models [100.38157787218044]
  COAT: Causal representatiOn AssistanTについて紹介する。 COATは、非構造化データから潜在的な因果因子を抽出する因子プロジェクタとしてLLMを組み込んでいる。 LLMはデータ値の収集に使用される追加情報を提供するよう指示することもできる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• 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)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
  因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。 データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。 我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-18T09:26:07Z)
• 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)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。