論文の概要: Metrics on Markov Equivalence Classes for Evaluating Causal Discovery Algorithms
- arxiv url: http://arxiv.org/abs/2402.04952v2
- Date: Fri, 15 Mar 2024 17:21:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 22:23:54.596457
- 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): 15.37737222790121
- 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探索手法は、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文を符号化した出力グラフを生成することを目的としている。
本研究では,合成データに対する因果的発見手法の評価には,この明確な目標がどの程度の精度で達成できるかを,提案手法のアウトプットの分離/接続が基底真理とどの程度密に一致しているかを測ることによる分析を含めるべきである,と論じる。
確立された評価尺度は2つの因果グラフの分離・連結の差を正確に捉えていないことを示すとともに,この欠点に対処するs/c距離,マルコフ距離,忠実度距離という3つの新しい尺度を導入する。
理論解析をおもちゃの例、経験実験、擬似コードで補完する。
関連論文リスト
- On the Theory of Cross-Modality Distillation with Contrastive Learning [49.35244441141323]
クロスモダリティ蒸留は、限られた知識を含むデータモダリティにとって重要なトピックである。
コントラスト学習に基づくクロスモーダルコントラスト蒸留(CMCD)の一般的な枠組みを定式化する。
我々のアルゴリズムは、様々なモダリティやタスクに対して、2-3%のマージンで既存のアルゴリズムを一貫して上回ります。
論文 参考訳(メタデータ) (2024-05-06T11:05:13Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳(メタデータ) (2024-04-24T09:04:36Z) - Interpretable Graph Anomaly Detection using Gradient Attention Maps [28.415694883037208]
本稿では,性能向上のための解釈可能性の力を活用したグラフ異常検出手法を提案する。
本手法は, グラフニューラルネットワークの勾配から抽出したアテンションマップを抽出し, 異常評価の基礎となる。
論文 参考訳(メタデータ) (2023-11-10T16:14:21Z) - 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) - MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。
我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。
我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
論文 参考訳(メタデータ) (2022-12-30T07:37:40Z) - A Probabilistic Graph Coupling View of Dimension Reduction [5.35952718937799]
クロスエントロピーを用いた隠れグラフの結合に基づく統一統計フレームワークを提案する。
既存のペアワイズ類似性DR法は,グラフの事前選択に際し,我々のフレームワークから検索可能であることを示す。
我々のモデルはこの問題に対処するために活用され拡張され、新しいリンクはラプラシア固有写像とPCAで描画される。
論文 参考訳(メタデータ) (2022-01-31T08:21:55Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳(メタデータ) (2021-11-15T03:16:56Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳(メタデータ) (2020-09-01T15:08:23Z) - Towards Certified Robustness of Distance Metric Learning [53.96113074344632]
我々は,距離学習アルゴリズムの一般化とロバスト性を改善するために,入力空間に逆のマージンを付与することを提唱する。
アルゴリズム的ロバスト性の理論手法を用いることにより,拡張マージンは一般化能力に有益であることを示す。
論文 参考訳(メタデータ) (2020-06-10T16:51:53Z) - A Ladder of Causal Distances [44.34185575573054]
因果関係のラダー(ladder of causation)の各ラングに3つの距離の階層を導入する。
我々は、合成と実世界の両方のデータセット上で標準的な因果発見システムをベンチマークすることで、因果距離を使用できるようにしました。
最後に、因果発見技術の評価以上の応用について、簡単な議論をすることで、因果距離の有用性を強調した。
論文 参考訳(メタデータ) (2020-05-05T20:39:07Z)
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。