論文の概要: Adjustment Identification Distance: A gadjid for Causal Structure
Learning
- arxiv url: http://arxiv.org/abs/2402.08616v1
- Date: Tue, 13 Feb 2024 17:32:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 14:14:38.206219
- Title: Adjustment Identification Distance: A gadjid for Causal Structure
Learning
- Title(参考訳): 調整識別距離:因果構造学習のためのgadjid
- Authors: Leonard Henckel and Theo W\"urtzen and Sebastian Weichwald
- Abstract要約: 本稿では,グラフ間の因果距離を推定する枠組みを提案する。
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。
- 参考スコア(独自算出の注目度): 3.0664125971045286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating graphs learned by causal discovery algorithms is difficult: The
number of edges that differ between two graphs does not reflect how the graphs
differ with respect to the identifying formulas they suggest for causal
effects. We introduce a framework for developing causal distances between
graphs which includes the structural intervention distance for directed acyclic
graphs as a special case. We use this framework to develop improved
adjustment-based distances as well as extensions to completed partially
directed acyclic graphs and causal orders. We develop polynomial-time
reachability algorithms to compute the distances efficiently. In our package
gadjid (open source at https://github.com/CausalDisco/gadjid), we provide
implementations of our distances; they are orders of magnitude faster than the
structural intervention distance and thereby provide a success metric for
causal discovery that scales to graph sizes that were previously prohibitive.
- Abstract(参考訳): 因果探索アルゴリズムによって学習されたグラフの評価は困難である: 2つのグラフ間で異なるエッジの数は、因果効果を示唆する公式の特定に関してグラフがどのように異なるかを反映していない。
本稿では,有向非巡回グラフの構造的介入距離を含むグラフ間の因果距離を開発するためのフレームワークを提案する。
この枠組みを改良した調整ベース距離と、部分有向非巡回グラフと因果順序の拡張に利用する。
多項式時間到達性アルゴリズムを開発し,その距離を効率的に計算する。
当社のパッケージgadjid(https://github.com/CausalDisco/gadjid)では,構造的介入距離よりも桁違いに早く,従来禁止されていたグラフサイズにスケールする因果発見の成功指標を提供する。
関連論文リスト
- An embedding-based distance for temporal graphs [4.162019309587632]
時間参照ランダムウォークを用いて構築したグラフ埋め込みに基づいて時間グラフ間の距離を定義する。
構造特性と時間特性の異なるグラフを識別する能力を示す。
本稿では,大規模時間グラフに有効な距離計算の効率的な実装を提案する。
論文 参考訳(メタデータ) (2024-01-23T15:25:21Z) - Exploiting Edge Features in Graphs with Fused Network Gromov-Wasserstein
Distance [18.522233517515975]
ノードとエッジが特徴を持つグラフを比較するために,Gromov-Wasserstein距離の拡張を導入する。
入力空間または出力空間でグラフが発生する学習タスクにおいて、新しい距離の有効性を実証的に示す。
論文 参考訳(メタデータ) (2023-09-28T17:05:03Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Tight and fast generalization error bound of graph embedding in metric
space [54.279425319381374]
非ユークリッド計量空間へのグラフ埋め込みは、既存の有界よりもはるかに少ない訓練データを持つユークリッド空間におけるグラフ埋め込みよりも優れていることを示す。
我々の新しい上限は、既存の上限よりもかなり強く速く、最大で$R$と$O(frac1S)$に指数関数できる。
論文 参考訳(メタデータ) (2023-05-13T17:29:18Z) - On a linear fused Gromov-Wasserstein distance for graph structured data [2.360534864805446]
埋め込み間のユークリッド距離として定義される2つのグラフ間の新しい距離である線形FGWを提案する。
提案した距離の利点は2つある: 1) ノードの特徴とグラフの構造を考慮して、カーネルベースのフレームワークにおけるグラフ間の類似性を測定する。
論文 参考訳(メタデータ) (2022-03-09T13:43:18Z) - 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) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2021-09-01T08:24:02Z) - Some Algorithms on Exact, Approximate and Error-Tolerant Graph Matching [3.655021726150369]
我々は、様々な正確かつ不正確なグラフマッチング技術の広範な調査を紹介します。
グラフマッチングアルゴリズムのカテゴリが提示され、重要でないノードを除去することでグラフのサイズを小さくする。
幾何グラフを用いたグラフ類似度測定の新しい手法を提案する。
論文 参考訳(メタデータ) (2020-12-30T18:51:06Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Wasserstein Embedding for Graph Learning [33.90471037116372]
Wasserstein Embedding for Graph Learning (WEGL)は、グラフ全体をベクトル空間に埋め込むフレームワークである。
グラフ間の類似性をノード埋め込み分布間の類似性の関数として定義する上で,新たな知見を活用する。
各種ベンチマークグラフ固有性予測タスクにおける新しいグラフ埋め込み手法の評価を行った。
論文 参考訳(メタデータ) (2020-06-16T18:23:00Z) - 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)
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。