論文の概要: Adjustment Identification Distance: A gadjid for Causal Structure Learning
- arxiv url: http://arxiv.org/abs/2402.08616v2
- Date: Thu, 11 Jul 2024 13:45:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 23:17:39.766916
- 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ギャジッド
- Authors: Leonard Henckel, Theo Würtzen, Sebastian Weichwald,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.72836834536003
- 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 new reachability algorithms to compute the distances efficiently and to prove their low polynomial time complexity. In our package gadjid (open source at https://github.com/CausalDisco/gadjid), we provide implementations of our distances; they are orders of magnitude faster with proven lower time complexity 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。
距離を効率よく計算し、多項式時間の複雑さを証明するための新しい到達性アルゴリズムを開発した。
我々のパッケージgadjid(https://github.com/CausalDisco/gadjidのオープンソース)では、我々の距離の実装を提供しています。
関連論文リスト
- Separation-based distance measures for causal graphs [15.37737222790121]
最先端因果探索法は単一の因果グラフを出力するのではなく、それらの等価クラス(MEC)を出力する。
本稿では,分離距離の差が評価に適さないような距離の付加的な測定法を提案する。
我々は,既存の比較指標の違いを明らかにする実験と,おもちゃの例を用いて理論的解析を補完する。
論文 参考訳(メタデータ) (2024-02-07T15:36:53Z) - 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) - E-Graph: Minimal Solution for Rigid Rotation with Extensibility Graphs [61.552125054227595]
重なり合う領域を持たない2つの画像間の相対的な回転推定を解くために,新しい最小解を提案する。
E-Graphに基づいて、回転推定問題はより単純でエレガントになる。
回転推定戦略を6-DoFカメラのポーズと高密度3Dメッシュモデルを得る完全カメラ追跡マッピングシステムに組み込む。
論文 参考訳(メタデータ) (2022-07-20T16:11:48Z) - 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) - A step towards neural genome assembly [0.0]
我々はMPNNモデルを最大集約器で訓練し、グラフ単純化のためのいくつかのアルゴリズムを実行する。
アルゴリズムがうまく学習され、トレーニングで使用されるグラフの最大20倍の大きさのグラフにスケールできることを示す。
論文 参考訳(メタデータ) (2020-11-10T10:12:19Z) - 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) - 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)
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。