論文の概要: Learning Cyclic Causal Models from Incomplete Data

• arxiv url: http://arxiv.org/abs/2402.15625v1
• Date: Fri, 23 Feb 2024 22:03:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 17:52:04.501768
• Title: Learning Cyclic Causal Models from Incomplete Data
• Title（参考訳）: 不完全データから周期因果モデルを学ぶ
• Authors: Muralikrishnna G. Sethuraman, Faramarz Fekri
• Abstract要約: 周期因果グラフを部分的に欠落したデータから学習するための新しいフレームワークであるMissNODAGSを提案する。 付加雑音モデルの下では、MissNODAGSは、欠落したデータを入力し、データの可視部分のログ類似度を最大化することで、因果グラフを学習する。 本研究では、最先端の計算技術を用いた場合と比較して、部分的に欠落した介入データに対する因果学習による性能向上を実証した。
• 参考スコア（独自算出の注目度）: 13.69726643902085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal learning is a fundamental problem in statistics and science, offering insights into predicting the effects of unseen treatments on a system. Despite recent advances in this topic, most existing causal discovery algorithms operate under two key assumptions: (i) the underlying graph is acyclic, and (ii) the available data is complete. These assumptions can be problematic as many real-world systems contain feedback loops (e.g., biological systems), and practical scenarios frequently involve missing data. In this work, we propose a novel framework, named MissNODAGS, for learning cyclic causal graphs from partially missing data. Under the additive noise model, MissNODAGS learns the causal graph by alternating between imputing the missing data and maximizing the expected log-likelihood of the visible part of the data in each training step, following the principles of the expectation-maximization (EM) framework. Through synthetic experiments and real-world single-cell perturbation data, we demonstrate improved performance when compared to using state-of-the-art imputation techniques followed by causal learning on partially missing interventional data.
• Abstract（参考訳）: 因果学習は統計学と科学の基本的な問題であり、目に見えない治療がシステムに与える影響を予測する洞察を提供する。 このトピックの最近の進歩にもかかわらず、ほとんどの既存の因果発見アルゴリズムは2つの主要な仮定の下で動作している。 i) 基礎となるグラフは非巡回であり、 (ii)利用可能データが完了した。 これらの仮定は、多くの現実世界のシステムがフィードバックループ(例えば、生物学的システム)を含んでいるため問題になりうる。 本研究では、周期因果グラフを部分的に欠落したデータから学習するための新しいフレームワーク、MissNODAGSを提案する。 付加雑音モデルの下で、MissNODAGSは、欠落したデータを入力し、各トレーニングステップにおけるデータの可視部分のログ類似度を最大化することで、予測最大化(EM)フレームワークの原則に従って因果グラフを学習する。 人工実験と実世界の単細胞摂動データを用いて, 一部欠落した介入データに対する因果学習と最先端のインプテーション技術との比較により, 高い性能を示す。

関連論文リスト

• MissNODAG: Differentiable Cyclic Causal Graph Learning from Incomplete Data [13.006241141102]
  周期因果グラフを学習するためのフレームワークであるMissNODAGを提案する。 提案フレームワークは,付加雑音モデルと予測最大化処理を統合し,出力不足値の交互化と観測データの可能性の最適化を行う。 合成実験によるMissNODAGの有効性と実世界の遺伝子摂動データへの応用を実証する。
  論文  参考訳（メタデータ） (2024-10-24T17:09:10Z)
• A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects [5.574191640970887]
  本稿では,相互作用する欠陥のあるシステムの自由エネルギー変化を予測する3つの方法の比較研究を行う。 その結果,この限られたデータセットであっても,クラスタ展開モデルによって正確なエネルギー予測が達成できることが示唆された。 本研究では,不完全な表面システムに機械学習を適用した予備評価を行う。
  論文  参考訳（メタデータ） (2024-03-20T02:15:48Z)
• 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)
• Causal disentanglement of multimodal data [1.589226862328831]
  因果関係を持つ重要な特徴を発見するために,マルチモーダルデータと既知の物理を利用する因果表現学習アルゴリズム(causalPIMA)を導入する。 本研究は,完全教師なし環境下で重要な特徴を同時に発見しながら,解釈可能な因果構造を学習する能力を示すものである。
  論文  参考訳（メタデータ） (2023-10-27T20:30:11Z)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• 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)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• 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)
• Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
  因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。 ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-15T14:28:21Z)

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。