論文の概要: Causal Bayesian Optimization via Exogenous Distribution Learning
- arxiv url: http://arxiv.org/abs/2402.02277v1
- Date: Sat, 3 Feb 2024 22:14:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 21:04:49.684116
- Title: Causal Bayesian Optimization via Exogenous Distribution Learning
- Title（参考訳）: 外因性分布学習による因果ベイズ最適化
- Authors: Shaogang Ren, Xiaoning Qian
- Abstract要約: 本稿では,内因性変数の分布を学習するための新しい手法を提案する。
代理モデルにおける構造的因果モデルの近似精度を向上させる。
異なるデータセットとアプリケーションの実験により,提案手法の利点が示された。
- 参考スコア（独自算出の注目度）: 18.70844080355172
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Maximizing a target variable as an operational objective in a structured
causal model is an important problem. Existing Causal Bayesian Optimization
(CBO) methods either rely on hard interventions that alter the causal structure
to maximize the reward; or introduce action nodes to endogenous variables so
that the data generation mechanisms are adjusted to achieve the objective. In
this paper, a novel method is introduced to learn the distribution of exogenous
variables, which is typically ignored or marginalized through expectation by
existing methods.
Exogenous distribution learning improves the approximation accuracy of
structured causal models in a surrogate model that is usually trained with
limited observational data. Moreover, the learned exogenous distribution
extends existing CBO to general causal schemes beyond Additive Noise Models
(ANM). The recovery of exogenous variables allows us to use a more flexible
prior for noise or unobserved hidden variables. A new CBO method is developed
by leveraging the learned exogenous distribution. Experiments on different
datasets and applications show the benefits of our proposed method.
- Abstract（参考訳）: 構造的因果モデルにおける操作対象変数の最大化は重要な問題である。
既存の因果ベイズ最適化(CBO)手法は、報酬を最大化するために因果構造を変更するハード介入に依存するか、データ生成機構を調整して目的を達成するために内在変数にアクションノードを導入する。
本稿では, 既存手法の期待によって無視されるか, 限界化される外因性変数の分布を学習するために, 新たな手法を提案する。
外因性分布学習は、通常限られた観測データで訓練される代理モデルにおいて、構造化因果モデルの近似精度を向上させる。
さらに、学習した外因性分布は、既存のCBOを付加雑音モデル(ANM)を超えた一般的な因果関係に拡張する。
外因性変数のリカバリにより、ノイズや未観測の隠れ変数に対して、より柔軟な事前利用が可能になります。
学習した外因性分布を利用した新しいCBO法を開発した。
異なるデータセットとアプリケーションの実験により,提案手法の利点が示された。
関連論文リスト
- An AI-powered Bayesian generative modeling approach for causal inference in observational studies [4.624176903641013]
CausalBGMはAIを利用したベイズ生成モデリングアプローチである。
低次元潜在特徴集合の個別分布を学習することにより、個別処理効果(ITE)を推定する。
論文 参考訳（メタデータ） (2025-01-01T06:52:45Z) - Learning Structural Causal Models from Ordering: Identifiable Flow Models [19.99352354910655]
本稿では,変数の可逆変換を部品的に再現するフローモデルを提案する。
本稿では,すべての因果メカニズムの同時学習を可能にする設計改善を提案する。
本手法は,既存の拡散法に比べて計算時間を大幅に短縮する。
論文 参考訳（メタデータ） (2024-12-13T04:25:56Z) - Differentiable Causal Discovery For Latent Hierarchical Causal Models [19.373348700715578]
非線形潜在階層因果モデルの同定可能性に関する新しい理論的結果を示す。
我々は,そのようなモデルの構造を効率的に推定する,新しい微分可能な因果探索アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-11-29T09:08:20Z) - Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
これらの課題に対処するための影響関数フレームワークを開発する。
論文 参考訳（メタデータ） (2024-10-17T17:59:02Z) - 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) - Neural Flow Diffusion Models: Learnable Forward Process for Improved Diffusion Modelling [2.1779479916071067]
より広い範囲のプロセスをサポートすることで拡散モデルを強化する新しいフレームワークを提案する。
また,前処理を学習するための新しいパラメータ化手法を提案する。
結果はNFDMの汎用性と幅広い応用の可能性を評価する。
論文 参考訳（メタデータ） (2024-04-19T15:10:54Z) - Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。
我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
論文 参考訳（メタデータ） (2022-11-04T21:57:39Z) - ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。
ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。
実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
論文 参考訳（メタデータ） (2022-06-24T08:18:05Z) - 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) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z)
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。