論文の概要: Metrics on Markov Equivalence Classes for Evaluating Causal Discovery Algorithms

• arxiv url: http://arxiv.org/abs/2402.04952v1
• Date: Wed, 7 Feb 2024 15:36:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 14:51:20.900154
• Title: Metrics on Markov Equivalence Classes for Evaluating Causal Discovery Algorithms
• Title（参考訳）: 因果探索アルゴリズム評価のためのマルコフ等価クラスに関するメトリクス
• Authors: Jonas Wahl, Jakob Runge
• Abstract要約: 合成データに対する因果探索手法の評価には、この明確な目的がどの程度達成されたかの分析を含めるべきである。 本研究では,2つの因果グラフの分離・接続の違いを正確に把握できないことを示す。 この欠点に対処するために, s/c-距離, マルコフ距離, 信仰度距離という3つの新しい測度を導入する。
• 参考スコア（独自算出の注目度）: 18.16632822223546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many state-of-the-art causal discovery methods aim to generate an output graph that encodes the graphical separation and connection statements of the causal graph that underlies the data-generating process. In this work, we argue that an evaluation of a causal discovery method against synthetic data should include an analysis of how well this explicit goal is achieved by measuring how closely the separations/connections of the method's output align with those of the ground truth. We show that established evaluation measures do not accurately capture the difference in separations/connections of two causal graphs, and we introduce three new measures of distance called s/c-distance, Markov distance and Faithfulness distance that address this shortcoming. We complement our theoretical analysis with toy examples, empirical experiments and pseudocode.
• Abstract（参考訳）: 多くの最先端の因果発見手法は、データ生成プロセスの基礎となる因果グラフのグラフィカルな分離と接続ステートメントをエンコードする出力グラフの生成を目的としている。 本研究では,合成データに対する因果的発見法の評価には,その方法の出力の分離/結合がどの程度基礎的真理と一致しているかを測定することによって,この明示的な目標がどの程度うまく達成されるかの分析を含めるべきである。 そこで本研究では,二つの因果グラフの分離・連結の差を正確に把握できない既定評価尺度を示し,s/c距離,マルコフ距離,忠実度距離という3つの新しい距離尺度を導入する。 おもちゃの例、実験実験、擬似コードで理論解析を補完する。

関連論文リスト

• Adjustment Identification Distance: A gadjid for Causal Structure Learning [2.72836834536003]
  グラフ間の因果距離を開発するための枠組みを開発する。 このフレームワークを用いて、改良された調整ベース距離と、部分的に有向な非巡回グラフと因果順序の拡張を開発する。
  論文  参考訳（メタデータ） (2024-02-13T17:32:59Z)
• A continuous Structural Intervention Distance to compare Causal Graphs [5.477914707166288]
  距離は、各ノードの組込み介入分布に基づいている。 合成データに対する数値実験で検証した理論的結果を示す。
  論文  参考訳（メタデータ） (2023-07-31T07:20:26Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Ranking from Pairwise Comparisons in General Graphs and Graphs with Locality [3.1219977244201056]
  本稿では,古典的Bradley-Terry-Luceモデル(BTL)のペア比較によるランキング問題について検討する。 十分に多くのサンプルを用いて,Cram'er-Rao の下界と一致するエントリワイズ推定誤差が得られることを示す。 我々は、最も広いサンプルを持つ体制においても、同様の保証を確実に達成できる分割対コンカマーのアルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2023-04-13T21:14:30Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
  kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。 これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
  論文  参考訳（メタデータ） (2021-09-29T22:54:17Z)
• FGOT: Graph Distances based on Filters and Optimal Transport [62.779521543654134]
  グラフ比較は、グラフ間の類似点と相違点の識別を扱う。 大きな障害は、グラフの未知のアライメントと、正確で安価な比較指標の欠如である。 本研究では,フィルタグラフ距離近似を導入する。
  論文  参考訳（メタデータ） (2021-09-09T17:43:07Z)
• Graph topology inference benchmarks for machine learning [16.857405938139525]
  本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。 我々はまた、文学において最も顕著な技法のいくつかを対比している。
  論文  参考訳（メタデータ） (2020-07-16T09:40:32Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)
• Just SLaQ When You Approximate: Accurate Spectral Distances for Web-Scale Graphs [6.72542623686684]
  本研究では,数十億のノードとエッジを持つグラフ間のスペクトル距離を計算するための,効率的かつ効率的な近似手法であるSLaQを提案する。 SLaQは既存の手法よりも優れており、近似精度は数桁向上することが多い。
  論文  参考訳（メタデータ） (2020-03-03T01:25:07Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。