論文の概要: Optimal Transport for Structure Learning Under Missing Data
- arxiv url: http://arxiv.org/abs/2402.15255v1
- Date: Fri, 23 Feb 2024 10:49:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 14:50:12.699427
- Title: Optimal Transport for Structure Learning Under Missing Data
- Title(参考訳): 欠測データに基づく構造学習のための最適輸送
- Authors: Vy Vo, He Zhao, Trung Le, Edwin V. Bonilla, Dinh Phung
- Abstract要約: 欠落データの存在下での因果発見はニワトリと卵のジレンマを引き起こす。
目的は真の因果構造を取り戻すことであるが、頑健な計算には変数間の依存関係や好ましくは因果関係を考慮する必要がある。
そこで本稿では,欠落データから因果構造を学習するための最適トランスポートに基づくスコアベースアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 33.516743507996196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal discovery in the presence of missing data introduces a chicken-and-egg
dilemma. While the goal is to recover the true causal structure, robust
imputation requires considering the dependencies or preferably causal relations
among variables. Merely filling in missing values with existing imputation
methods and subsequently applying structure learning on the complete data is
empirical shown to be sub-optimal. To this end, we propose in this paper a
score-based algorithm, based on optimal transport, for learning causal
structure from missing data. This optimal transport viewpoint diverges from
existing score-based approaches that are dominantly based on EM. We project
structure learning as a density fitting problem, where the goal is to find the
causal model that induces a distribution of minimum Wasserstein distance with
the distribution over the observed data. Through extensive simulations and
real-data experiments, our framework is shown to recover the true causal graphs
more effectively than the baselines in various simulations and real-data
experiments. Empirical evidences also demonstrate the superior scalability of
our approach, along with the flexibility to incorporate any off-the-shelf
causal discovery methods for complete data.
- Abstract(参考訳): 欠落データの存在下での因果発見はニワトリと卵のジレンマを引き起こす。
目的は真の因果構造を取り戻すことであるが、頑健な計算には変数間の依存関係や好ましくは因果関係を考慮する必要がある。
欠落した値を既存のインプテーションメソッドで満たし、その後、完全なデータに構造学習を適用するだけで、サブ最適であることが実証的に示される。
そこで本稿では,誤りデータから因果構造を学習するための最適なトランスポートに基づくスコアベースアルゴリズムを提案する。
この最適輸送視点は、EMに基づいて支配的なスコアベースのアプローチから分岐する。
そこで我々は,最小ワッサースタイン距離の分布を観測データ上の分布に導く因果モデルを求めることを目的として,密度適合問題として構造学習を計画する。
シミュレーションや実データ実験により,本フレームワークは様々なシミュレーションや実データ実験のベースラインよりも効率的に真の因果グラフを復元する。
実証的な証拠は、我々のアプローチの優れたスケーラビリティと、既製の因果発見手法を完全なデータに組み込む柔軟性も示しています。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Directed Cyclic Graph for Causal Discovery from Multivariate Functional
Data [15.26007975367927]
因果構造学習のための機能線形構造方程式モデルを提案する。
解釈可能性を高めるために,本モデルは低次元因果埋め込み空間を含む。
提案モデルが標準仮定の下で因果的同定可能であることを示す。
論文 参考訳(メタデータ) (2023-10-31T15:19:24Z) - MissDiff: Training Diffusion Models on Tabular Data with Missing Values [29.894691645801597]
この研究は、欠落した値を持つデータから学習するための統一的で原則化された拡散ベースのフレームワークを示す。
まず、広く採用されている「インプット・ザ・ジェネレーション」パイプラインが、バイアスのある学習目標に繋がる可能性があることを観察する。
提案手法は,データ分布のスコアの学習に一貫性があることを証明し,提案手法は特定の場合において負の確率の上限として機能する。
論文 参考訳(メタデータ) (2023-07-02T03:49:47Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-06T14:49:59Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Dealing with missing data using attention and latent space
regularization [2.610470075814367]
本研究では,観測変数のみを用いた学習と推論のための理論的枠組みを開発する。
我々は、欠落データから生じる潜在的なバイアスに対して規則化する潜在空間表現を持つモデルを構築した。
提案手法は,提案手法の弱点を克服し,現在の最先端技術よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-11-14T01:05:28Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳(メタデータ) (2021-11-04T22:38:18Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Distributionally Robust Learning [11.916893752969429]
本書は,データの摂動に頑健な包括的統計学習フレームワークを開発する。
各問題に対する引き込み可能なDRO緩和が導出され、境界と正規化の間の接続が確立される。
理論以外にも、数値実験や、合成データと実データを用いたケーススタディも含んでいる。
論文 参考訳(メタデータ) (2021-08-20T04:14:18Z) - Representation Learning via Adversarially-Contrastive Optimal Transport [40.52344027750609]
我々はその問題をコントラスト表現学習の文脈に設定した。
本稿では,ワッサースタイン GAN と新しい分類器を結合するフレームワークを提案する。
我々の結果は、挑戦的なベースラインに対する競争力を示す。
論文 参考訳(メタデータ) (2020-07-11T19:46:18Z)
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。