論文の概要: Rao-Blackwellising Bayesian Causal Inference

• arxiv url: http://arxiv.org/abs/2402.14781v1
• Date: Thu, 22 Feb 2024 18:39:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 14:04:52.240250
• Title: Rao-Blackwellising Bayesian Causal Inference
• Title（参考訳）: ラオ黒色化ベイズ因果推論
• Authors: Christian Toth, Christian Knoll, Franz Pernkopf, Robert Peharz
• Abstract要約: 本研究では,順序に基づくMCMC構造学習の手法と,勾配に基づくグラフ学習の最近の進歩を組み合わせる。 因果構造を (i) 変数上の位相的順序を推論する問題と (ii) それぞれの変数に対する親集合を推論する問題に分解する。 変数あたりの親の数を制限する場合、時間内の親集合よりも正確にマーカライズすることができる。
• 参考スコア（独自算出の注目度）: 18.224733274686713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian causal inference, i.e., inferring a posterior over causal models for the use in downstream causal reasoning tasks, poses a hard computational inference problem that is little explored in literature. In this work, we combine techniques from order-based MCMC structure learning with recent advances in gradient-based graph learning into an effective Bayesian causal inference framework. Specifically, we decompose the problem of inferring the causal structure into (i) inferring a topological order over variables and (ii) inferring the parent sets for each variable. When limiting the number of parents per variable, we can exactly marginalise over the parent sets in polynomial time. We further use Gaussian processes to model the unknown causal mechanisms, which also allows their exact marginalisation. This introduces a Rao-Blackwellization scheme, where all components are eliminated from the model, except for the causal order, for which we learn a distribution via gradient-based optimisation. The combination of Rao-Blackwellization with our sequential inference procedure for causal orders yields state-of-the-art on linear and non-linear additive noise benchmarks with scale-free and Erdos-Renyi graph structures.
• Abstract（参考訳）: ベイズ因果推論、すなわち下流因果推論タスクで使用する後因果モデルの推定は、文献ではあまり研究されていない難しい計算推論問題を引き起こす。 本研究では,順序に基づくMCMC構造学習と勾配に基づくグラフ学習の最近の進歩を組み合わせたベイズ因果推論フレームワークを提案する。 具体的には、因果構造を推論する問題を分解する。 (i)変数上の位相次数を推測すること、及び (ii)各変数の親集合を推論する。 変数あたりの親数を制限するとき、多項式時間で親集合を正確にマーカライズすることができる。 さらに、ガウス過程を用いて未知の因果機構をモデル化し、その正確な限界化を可能にする。 これは、勾配に基づく最適化を通じて分布を学ぶ因果順序を除いて、すべてのコンポーネントがモデルから排除されるrao-blackwellizationスキームを導入する。 rao-黒色化と因果順の逐次推定法の組み合わせは、スケールフリーおよびerdos-renyiグラフ構造を持つ線形および非線形付加雑音ベンチマークの最先端をもたらす。

関連論文リスト

• A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
  因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。 本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-11T18:12:05Z)
• Learning Latent Structural Causal Models [31.686049664958457]
  機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。 本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T20:09:44Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• 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)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。