論文の概要: Signature Kernel Conditional Independence Tests in Causal Discovery for
Stochastic Processes
- arxiv url: http://arxiv.org/abs/2402.18477v1
- Date: Wed, 28 Feb 2024 16:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 14:16:25.974397
- Title: Signature Kernel Conditional Independence Tests in Causal Discovery for
Stochastic Processes
- Title(参考訳): 確率過程の因果発見における符号カーネル条件独立試験
- Authors: Georg Manten, Cecilia Casolo, Emilio Ferrucci, S{\o}ren Wengel
Mogensen, Cristopher Salvi, Niki Kilbertus
- Abstract要約: パス空間上での条件独立性(CI)のカーネルベーステストを開発する。
我々は非循環力学系に対する制約に基づく因果探索アルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 7.216519074426323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring the causal structure underlying stochastic dynamical systems from
observational data holds great promise in domains ranging from science and
health to finance. Such processes can often be accurately modeled via
stochastic differential equations (SDEs), which naturally imply causal
relationships via "which variables enter the differential of which other
variables". In this paper, we develop a kernel-based test of conditional
independence (CI) on "path-space" -- solutions to SDEs -- by leveraging recent
advances in signature kernels. We demonstrate strictly superior performance of
our proposed CI test compared to existing approaches on path-space. Then, we
develop constraint-based causal discovery algorithms for acyclic stochastic
dynamical systems (allowing for loops) that leverage temporal information to
recover the entire directed graph. Assuming faithfulness and a CI oracle, our
algorithm is sound and complete. We empirically verify that our developed CI
test in conjunction with the causal discovery algorithm reliably outperforms
baselines across a range of settings.
- Abstract(参考訳): 観測データから確率力学系の基礎となる因果構造を推測することは、科学や健康からファイナンスまで幅広い分野において大きな可能性を秘めている。
このような過程は確率微分方程式(SDE)によって正確にモデル化されることが多く、「どの変数が他の変数の微分に入るか」によって因果関係を暗示する。
本稿では,近年のシグネチャカーネルの進歩を活用して,SDEのソリューションであるパス空間上での条件独立性(CI)のカーネルベーステストを開発する。
提案するciテストはパススペースでの既存手法と比較して厳密に優れた性能を示す。
そこで我々は,時間情報を利用した非循環確率力学系に対する制約に基づく因果探索アルゴリズムを開発し,全有向グラフを復元する。
忠実性とci神託を仮定すると、我々のアルゴリズムは健全で完全です。
開発したCIテストと因果発見アルゴリズムが、さまざまな設定で確実にベースラインを上回っていることを実証的に検証します。
関連論文リスト
- Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient
Kernels [60.35011738807833]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は、ベンチマークODEとPDE発見タスクのリストにおいて、KBASSの顕著な利点を示す。
論文 参考訳(メタデータ) (2023-10-09T03:55:09Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-05T13:42:11Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - MAntRA: A framework for model agnostic reliability analysis [0.0]
時間依存型信頼性解析のための新しいモデルデータ駆動型信頼性解析フレームワークを提案する。
提案手法は、解釈可能な機械学習、ベイズ統計、動的方程式の同定を組み合わせたものである。
以上の結果から,提案手法の信頼性評価への応用の可能性が示唆された。
論文 参考訳(メタデータ) (2022-12-13T00:57:09Z) - Differentiable Invariant Causal Discovery [106.87950048845308]
観測データから因果構造を学ぶことは、機械学習の基本的な課題である。
本稿では,不特定変分因果解法(DICD)を提案する。
合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
論文 参考訳(メタデータ) (2022-05-31T09:29:07Z) - Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。
このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
論文 参考訳(メタデータ) (2021-10-23T19:57:22Z) - Efficient Neural Causal Discovery without Acyclicity Constraints [30.08586535981525]
本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。
実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
論文 参考訳(メタデータ) (2021-07-22T07:01:41Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z) - Weak SINDy For Partial Differential Equations [0.0]
我々はWeak SINDy(WSINDy)フレームワークを偏微分方程式(PDE)の設定にまで拡張する。
弱い形状による点微分近似の除去は、ノイズフリーデータからモデル係数の効率的な機械的精度回復を可能にする。
我々は、いくつかの挑戦的なPDEに対して、WSINDyの堅牢性、速度、精度を実証する。
論文 参考訳(メタデータ) (2020-07-06T16:03:51Z) - A Kernel Two-sample Test for Dynamical Systems [7.198860143325813]
データストリームが同じ分布から引き出されるかどうかを評価することは、さまざまな機械学習問題の中心にある。
これは、生体医療、経済、工学システムにおいて、そのようなシステムが多くの現実世界のプロセスに不可欠であるため、動的システムによって生成されるデータに特に関係している。
i) 関連するメトリックにおける自己相関を捉える混合の概念を導入し、(ii) データにのみ依存する混合の速度を推定する効率的な方法を提案し、(iii) 確立されたカーネルの2サンプルテストに統合する。
論文 参考訳(メタデータ) (2020-04-23T11:57:26Z)
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。