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
- Causal Modeling with Stationary Diffusions [58.4405484308163]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - Causal Inference Using LLM-Guided Discovery [34.040996887499425]
グラフ変数(因果順序)に対する位相的順序は、因果効果の推論にのみ十分であることを示す。
本稿では,Large Language Models (LLMs) から因果順序を求める頑健な手法を提案する。
提案手法は発見アルゴリズムと比較して因果順序精度を大幅に向上させる。
論文 参考訳(メタデータ) (2023-10-23T17:23:56Z) - Bayesian learning of Causal Structure and Mechanisms with GFlowNets and
Variational Bayes [68.28193418861333]
本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。
我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
論文 参考訳(メタデータ) (2022-11-04T21:57:39Z) - 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) - Sequential Learning of the Topological Ordering for the Linear
Non-Gaussian Acyclic Model with Parametric Noise [6.866717993664787]
我々はDAGの因果順序を推定するための新しい逐次的アプローチを開発する。
数千のノードを持つケースに対して,我々の手順がスケーラブルであることを示すための,広範な数値的証拠を提供する。
論文 参考訳(メタデータ) (2022-02-03T18:15:48Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - 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) - 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)
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。