論文の概要: Coordinated Multi-Neighborhood Learning on a Directed Acyclic Graph
- arxiv url: http://arxiv.org/abs/2405.15358v1
- Date: Fri, 24 May 2024 08:49:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 15:11:32.820508
- Title: Coordinated Multi-Neighborhood Learning on a Directed Acyclic Graph
- Title（参考訳）: 直交非巡回グラフを用いた協調型多言語学習
- Authors: Stephen Smith, Qing Zhou,
- Abstract要約: 因果非巡回グラフ(DAG)の構造を学習することは、機械学習や人工知能の多くの分野で有用である。
強い、しばしば制限的な仮定なしに優れた経験的、理論的結果を得ることは困難である。
本論文では,複数のユーザ特定ターゲットノードの周囲の局所構造を推定する制約に基づく新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 6.727984016678534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning the structure of causal directed acyclic graphs (DAGs) is useful in many areas of machine learning and artificial intelligence, with wide applications. However, in the high-dimensional setting, it is challenging to obtain good empirical and theoretical results without strong and often restrictive assumptions. Additionally, it is questionable whether all of the variables purported to be included in the network are observable. It is of interest then to restrict consideration to a subset of the variables for relevant and reliable inferences. In fact, researchers in various disciplines can usually select a set of target nodes in the network for causal discovery. This paper develops a new constraint-based method for estimating the local structure around multiple user-specified target nodes, enabling coordination in structure learning between neighborhoods. Our method facilitates causal discovery without learning the entire DAG structure. We establish consistency results for our algorithm with respect to the local neighborhood structure of the target nodes in the true graph. Experimental results on synthetic and real-world data show that our algorithm is more accurate in learning the neighborhood structures with much less computational cost than standard methods that estimate the entire DAG. An R package implementing our methods may be accessed at https://github.com/stephenvsmith/CML.
- Abstract（参考訳）: 因果有向非巡回グラフ(DAG)の構造を学習することは、機械学習や人工知能の多くの分野において、幅広い応用において有用である。
しかし、高次元の環境では、強い、しばしば制限的な仮定なしで優れた経験的、理論的結果を得るのは難しい。
さらに、ネットワークに格納される変数のすべてが観測可能であるかどうかも疑わしい。
すると、関連する信頼できる推論のために変数のサブセットに考慮を限定することが興味がある。
実際、様々な分野の研究者は、通常、因果発見のためにネットワーク内のターゲットノードのセットを選択することができる。
本論文では,複数のユーザ特定ターゲットノードの周囲の局所的構造を推定する制約に基づく新しい手法を開発し,近隣における構造学習の協調を可能にする。
本手法はDAG構造全体を学習することなく因果発見を容易にする。
真のグラフにおける対象ノードの局所的近傍構造に対して,アルゴリズムの整合性を評価する。
合成および実世界のデータを用いた実験結果から,我々のアルゴリズムは,DAG全体を推定する標準的な手法よりも計算コストの少ない近傍構造を学習する上で,より正確であることが示された。
我々のメソッドを実装するRパッケージはhttps://github.com/stephenvsmith/CMLでアクセスできます。
関連論文リスト
- A Full DAG Score-Based Algorithm for Learning Causal Bayesian Networks with Latent Confounders [0.0]
因果ベイズネットワーク(Causal Bayesian Network, CBN)は、変数間の因果関係を符号化する一般的なグラフィカル確率モデルである。
本稿では,DAGの空間を探索し,潜在する共同設立者の存在を識別できる,初めての完全スコアに基づく構造学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-20T20:25:56Z) - Exact discovery is polynomial for sparse causal Bayesian networks [1.5293427903448027]
本稿では,ベイジアンネットワークの特性を利用して探索空間を創出し,計算コストを下げる方法について述べる。
そして、我々のアプローチは低い密度で最先端の手法に勝る。
これらの結果は、より大規模でスペーサーなネットワークにおいて、より高速な正確な因果発見の道を開く。
論文 参考訳（メタデータ） (2024-06-21T09:41:30Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - SE-GSL: A General and Effective Graph Structure Learning Framework
through Structural Entropy Optimization [67.28453445927825]
グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。
既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。
本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
論文 参考訳（メタデータ） (2023-03-17T05:20:24Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - A Differentiable Approach to Combinatorial Optimization using Dataless
Neural Networks [20.170140039052455]
我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。
特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
論文 参考訳（メタデータ） (2022-03-15T19:21:31Z) - Hybrid Bayesian network discovery with latent variables by scoring
multiple interventions [5.994412766684843]
離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。
このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。
実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
論文 参考訳（メタデータ） (2021-12-20T14:54:41Z) - Clustered Federated Learning via Generalized Total Variation
Minimization [83.26141667853057]
本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。
我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。
私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
論文 参考訳（メタデータ） (2021-05-26T18:07:19Z) - A Score-and-Search Approach to Learning Bayesian Networks with Noisy-OR
Relations [3.81379858342235]
ベイズネットワークは、よく知られたスコア・アンド・サーチ手法を用いてデータから学習することができる。
ノイズとORの関係の重要かつ広く有用な事例にスコア・アンド・サーチ・アプローチをどのように拡張するかを示す。
論文 参考訳（メタデータ） (2020-11-03T03:20:44Z) - Pointer Graph Networks [48.44209547013781]
グラフニューラルネットワーク(GNN)は通常、前もって知られていると仮定される静的グラフに適用される。
Pointer Graph Networks (PGNs) モデル一般化能力を改善するために、追加の推論エッジを備えた拡張セットまたはグラフ。
PGNは各ノードが別のノードを動的に指し、メッセージがこれらのポインタを渡ることを可能にする。
論文 参考訳（メタデータ） (2020-06-11T12:52:31Z)
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。