論文の概要: Better Simulations for Validating Causal Discovery with the DAG-Adaptation of the Onion Method
- arxiv url: http://arxiv.org/abs/2405.13100v1
- Date: Tue, 21 May 2024 16:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 04:12:17.816293
- Title: Better Simulations for Validating Causal Discovery with the DAG-Adaptation of the Onion Method
- Title(参考訳): DAG-Adaptation of the Onion Method による因果発見の検証
- Authors: Bryan Andrews, Erich Kummerfeld,
- Abstract要約: データから因果モデルを学習するためのほとんどの人工知能アルゴリズムはシミュレーション研究によって検証されている。
広く受け入れられているシミュレーション標準は存在せず、出版物はしばしば性能統計に矛盾することを報告している。
配向非巡回グラフ(DAG)に対する線形モデル生成のための新しいシミュレーション設計法を提案する。
- 参考スコア(独自算出の注目度): 2.35418053868268
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The number of artificial intelligence algorithms for learning causal models from data is growing rapidly. Most ``causal discovery'' or ``causal structure learning'' algorithms are primarily validated through simulation studies. However, no widely accepted simulation standards exist and publications often report conflicting performance statistics -- even when only considering publications that simulate data from linear models. In response, several manuscripts have criticized a popular simulation design for validating algorithms in the linear case. We propose a new simulation design for generating linear models for directed acyclic graphs (DAGs): the DAG-adaptation of the Onion (DaO) method. DaO simulations are fundamentally different from existing simulations because they prioritize the distribution of correlation matrices rather than the distribution of linear effects. Specifically, the DaO method uniformly samples the space of all correlation matrices consistent with (i.e. Markov to) a DAG. We also discuss how to sample DAGs and present methods for generating DAGs with scale-free in-degree or out-degree. We compare the DaO method against two alternative simulation designs and provide implementations of the DaO method in Python and R: https://github.com/bja43/DaO_simulation. We advocate for others to adopt DaO simulations as a fair universal benchmark.
- Abstract(参考訳): データから因果モデルを学ぶ人工知能アルゴリズムの数は急速に増えている。
ほとんどの『因果発見』や『因果構造学習』のアルゴリズムは、主にシミュレーション研究によって検証される。
しかしながら、広く受け入れられているシミュレーション標準は存在せず、出版物は、しばしば競合するパフォーマンス統計を報告します。
これに対し、いくつかの写本は、線形の場合のアルゴリズムを検証するために一般的なシミュレーション設計を批判している。
配向非巡回グラフ(DAG)に対する線形モデル生成のための新しいシミュレーション設計法を提案する。
DaOシミュレーションは線形効果の分布よりも相関行列の分布を優先するため、既存のシミュレーションと根本的に異なる。
具体的には、DAO法は、(マルコフから)DAGと整合したすべての相関行列の空間を均一にサンプリングする。
また,DAGのサンプル化方法や,DAGをスケールフリー・イン・ディグリーまたはアウト・ディグリーで生成する方法についても論じる。
我々は、DaOメソッドを2つの代替シミュレーション設計と比較し、PythonとRでDaOメソッドの実装を提供する: https://github.com/bja43/DaO_simulation。
我々は,DAOシミュレーションを公正な普遍的ベンチマークとして採用することを主張する。
関連論文リスト
- Bayesian Surrogate Training on Multiple Data Sources: A Hybrid Modeling Strategy [1.2435663633224636]
代理訓練中にシミュレーションデータと実世界の計測データを統合するための2つの新しい手法を提案する。
第1の方法は、各データソースに対するサロゲートモデルを訓練し、予測分布を組み合わせ、第2の方法は、単一のサロゲートをトレーニングすることで、両方のデータソースを組み込む。
論文 参考訳(メタデータ) (2024-12-16T15:27:28Z) - Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。
科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。
本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
論文 参考訳(メタデータ) (2024-12-10T11:50:46Z) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい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) (2024-10-02T04:01:38Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳(メタデータ) (2023-06-05T21:08:34Z) - CausalSim: A Causal Framework for Unbiased Trace-Driven Simulation [25.620312665350028]
CausalSimは、バイアスのないトレース駆動シミュレーションのための因果的フレームワークである。
トレース収集中にシステム力学の因果モデルと下層のシステム条件を捉える潜在因子を学習する。
専門家が設計し、教師付き学習ベースラインと比較して、エラーを平均で53%、61%削減する。
論文 参考訳(メタデータ) (2022-01-05T20:45:24Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Using machine learning to correct model error in data assimilation and
forecast applications [0.0]
本稿では,既存の知識ベースモデルの誤りを訂正するために,この手法を提案する。
結果として得られるサロゲートモデルは、元の(知識ベース)モデルとMLモデルとのハイブリッドモデルである。
DAのハイブリッドサロゲートモデルを用いることで、元のモデルよりもはるかに優れた分析が得られる。
論文 参考訳(メタデータ) (2020-10-23T18:30:45Z)
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。