Fugu-MT 論文翻訳(概要): Evolutionary Causal Discovery with Relative Impact Stratification for Interpretable Data Analysis

論文の概要: Evolutionary Causal Discovery with Relative Impact Stratification for Interpretable Data Analysis

arxiv url: http://arxiv.org/abs/2404.16361v1
Date: Thu, 25 Apr 2024 06:42:32 GMT
ステータス: 処理完了
システム内更新日: 2024-04-26 14:38:43.574526
Title: Evolutionary Causal Discovery with Relative Impact Stratification for Interpretable Data Analysis
Title（参考訳）: 解釈可能なデータ解析のための相対的衝撃成層による進化的因果発見
Authors: Ou Deng, Shoji Nishimura, Atsushi Ogihara, Qun Jin,
Abstract要約: 本研究では、因果発見のための進化因果発見(ECD)を提案する。 ECDは、応答変数、予測変数、および研究データセットに対応する演算子を調整します。 ECDは、既存の因果発見法の進化と増大を表している。
参考スコア（独自算出の注目度）: 2.1705365042082536
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This study proposes Evolutionary Causal Discovery (ECD) for causal discovery that tailors response variables, predictor variables, and corresponding operators to research datasets. Utilizing genetic programming for variable relationship parsing, the method proceeds with the Relative Impact Stratification (RIS) algorithm to assess the relative impact of predictor variables on the response variable, facilitating expression simplification and enhancing the interpretability of variable relationships. ECD proposes an expression tree to visualize the RIS results, offering a differentiated depiction of unknown causal relationships compared to conventional causal discovery. The ECD method represents an evolution and augmentation of existing causal discovery methods, providing an interpretable approach for analyzing variable relationships in complex systems, particularly in healthcare settings with Electronic Health Record (EHR) data. Experiments on both synthetic and real-world EHR datasets demonstrate the efficacy of ECD in uncovering patterns and mechanisms among variables, maintaining high accuracy and stability across different noise levels. On the real-world EHR dataset, ECD reveals the intricate relationships between the response variable and other predictive variables, aligning with the results of structural equation modeling and shapley additive explanations analyses.
Abstract（参考訳）: 本研究では、応答変数、予測変数および対応する演算子を研究データセットに適合させる因果発見のための進化因果発見(ECD)を提案する。遺伝的プログラミングを変数関係解析に利用し、応答変数に対する予測変数の相対的影響を評価するための相対的インパクト階層化(RIS)アルゴリズムを導入し、表現の単純化と変数関係の解釈可能性の向上を図る。 ECDは、RISの結果を視覚化する表現木を提案し、従来の因果発見と比較して、未知の因果関係の区別された描写を提供する。 ECD法は、特に電子健康記録(EHR)データを用いた医療環境において、複雑なシステムにおける変動関係を解析するための解釈可能なアプローチを提供する、既存の因果発見法の進化と拡大を表す。合成EHRデータセットと実世界のEHRデータセットの実験は、変数間のパターンやメカニズムを明らかにする上で、ECDの有効性を示し、異なるノイズレベルにわたって高い精度と安定性を維持している。実世界のEHRデータセットでは、ECDは応答変数と他の予測変数との間の複雑な関係を明らかにし、構造方程式モデリングとシェープな加法的説明分析の結果と一致している。

関連論文リスト

Causality Pursuit from Heterogeneous Environments via Neural Adversarial Invariance Learning [12.947265104477237]
データから因果関係を抽出することは、科学的発見、治療介入、伝達学習における根本的な問題である。 Focused Adversial Invariant Regularization (FAIR) フレームワークは、革新的なミニマックス最適化アプローチを採用している。 FAIR-NNは最小の識別条件下で不変変数と準因果変数を見つけることができる。
論文参考訳（メタデータ） (2024-05-07T23:37:40Z)
Adjoint Sensitivity Analysis on Multi-Scale Bioprocess Stochastic Reaction Network [2.6130735302655554]
本稿では,機械的モデルパラメータの学習を高速化するための随伴感度アプローチを提案する。本稿では,多スケールのバイオプロセス力学モデルを表す酵素解析(SA)について考察する。
論文参考訳（メタデータ） (2024-05-07T05:06:45Z)
Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms [17.368146833023893]
本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。各仮説的原因影響方向のスコアを比較して推論を行う。
論文参考訳（メタデータ） (2024-01-31T17:28:05Z)
Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文参考訳（メタデータ） (2023-10-24T07:46:10Z)
A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。突発効果の非パラメトリック分解を可能にする最初の結果を証明する。説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文参考訳（メタデータ） (2023-06-08T09:40:28Z)
Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2022-08-30T11:12:59Z)
Neural-Network-Directed Genetic Programmer for Discovery of Governing Equations [0.0]
faiGPは、文法にエンコードされた関数代数の性質を利用するように設計されている。我々は, トランスクリプトームの研究から適応した多様性指標を含む, 各種正則化剤の影響を定量化する。
論文参考訳（メタデータ） (2022-03-15T21:28:05Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文参考訳（メタデータ） (2020-11-04T10:00:27Z)
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文参考訳（メタデータ） (2020-04-18T20:09:34Z)
Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders [6.1221613913018675]
本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。 RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
論文参考訳（メタデータ） (2020-01-13T12:55:47Z)

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。