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)
• Distributionally Robust Skeleton Learning of Discrete Bayesian Networks [9.46389554092506]
  我々は、潜在的に破損したデータから一般的な離散ベイズネットワークの正確なスケルトンを学習する問題を考察する。 本稿では,有界ワッサーシュタイン距離(KL)における分布群に対する最も有害なリスクを,経験的分布へのKL分散を最適化することを提案する。 本稿では,提案手法が標準正規化回帰手法と密接に関連していることを示す。
  論文  参考訳（メタデータ） (2023-11-10T15:33:19Z)
• 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)
• 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)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)
• Causal Discovery from Incomplete Data using An Encoder and Reinforcement Learning [2.4469484645516837]
  新たなエンコーダと強化学習(RL)を用いて不完全データから因果構造を発見する手法を提案する。 エンコーダは、データ計算の欠如と特徴抽出のために設計されている。 本手法は不完全な観測データを入力として、因果構造グラフを生成する。
  論文  参考訳（メタデータ） (2020-06-09T23:33:47Z)

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。