論文の概要: Causal Discovery with Fewer Conditional Independence Tests

• arxiv url: http://arxiv.org/abs/2406.01823v1
• Date: Mon, 3 Jun 2024 22:27:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 20:42:35.587817
• Title: Causal Discovery with Fewer Conditional Independence Tests
• Title（参考訳）: 低条件独立試験による因果発見
• Authors: Kirankumar Shiragur, Jiaqi Zhang, Caroline Uhler,
• Abstract要約: 我々の研究は、条件付き独立テストの数を減らすことで、基礎となる因果グラフについて何が学べるかを特徴づけることに重点を置いている。 隠れ因果グラフの粗い表現を多数のテストで学習できることを示す。 その結果,本研究では,多数のテストで真の因果グラフを復元するアルゴリズムを初めて提案した。
• 参考スコア（独自算出の注目度）: 15.876392307650248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many questions in science center around the fundamental problem of understanding causal relationships. However, most constraint-based causal discovery algorithms, including the well-celebrated PC algorithm, often incur an exponential number of conditional independence (CI) tests, posing limitations in various applications. Addressing this, our work focuses on characterizing what can be learned about the underlying causal graph with a reduced number of CI tests. We show that it is possible to a learn a coarser representation of the hidden causal graph with a polynomial number of tests. This coarser representation, named Causal Consistent Partition Graph (CCPG), comprises of a partition of the vertices and a directed graph defined over its components. CCPG satisfies consistency of orientations and additional constraints which favor finer partitions. Furthermore, it reduces to the underlying causal graph when the causal graph is identifiable. As a consequence, our results offer the first efficient algorithm for recovering the true causal graph with a polynomial number of tests, in special cases where the causal graph is fully identifiable through observational data and potentially additional interventions.
• Abstract（参考訳）: 科学における多くの疑問は、因果関係を理解するという根本的な問題に関するものである。 しかし、よく評価されたPCアルゴリズムを含むほとんどの制約ベースの因果探索アルゴリズムは、しばしば指数関数的な数の条件独立(CI)テストを引き起こし、様々なアプリケーションで制限を課している。 これに対応するために、当社の作業は、基礎となる因果グラフについて何が学べるかを、CIテストの数を減らすことで特徴づけることに重点を置いています。 隠れ因果グラフの粗い表現を多項式数で学習することは可能であることを示す。 この粗い表現はCausal Consistent Partition Graph (CCPG) と呼ばれ、頂点の分割と、そのコンポーネント上で定義された有向グラフからなる。 CCPGは、配向の一貫性と、より微細な分割を好む追加の制約を満たす。 さらに、因果グラフが識別可能であれば、根底にある因果グラフに還元される。 その結果,観測データと潜在的に追加的な介入によって因果グラフが完全に識別可能な場合において,真の因果グラフを多項式数で復元するための最初の効率的なアルゴリズムが得られた。

関連論文リスト

• CausalGraph2LLM: Evaluating LLMs for Causal Queries [49.337170619608145]
  因果関係は科学研究において不可欠であり、研究者は変数間の真の関係を解釈することができる。 近年のLarge Language Models (LLMs) の発展に伴い,因果推論の能力を探究することへの関心が高まっている。
  論文  参考訳（メタデータ） (2024-10-21T12:12:21Z)
• Scalable and Flexible Causal Discovery with an Efficient Test for Adjacency [48.769884734826974]
  因果グラフに2つの変数が隣接しているかどうかを評価するために,スケーラブルで柔軟な手法を構築した。 微分可能隣接テストは指数関数的な数のテストを、証明可能な等価な緩和問題に置き換える。 DAT, DAT-Graphに基づくグラフ学習手法も構築し, 介入したデータから学習する。
  論文  参考訳（メタデータ） (2024-06-13T14:39:40Z)
• Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
  因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。 オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。 グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ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） (2024-05-19T13:26:33Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Iterative Causal Discovery in the Possible Presence of Latent Confounders and Selection Bias [7.570246812206772]
  本稿では,潜在的共同設立者と選択バイアスの存在下で因果グラフを復元するための,健全で完全なアルゴリズムを提案する。 ICDは因果マルコフと忠実性の仮定に依存し、基礎となる因果グラフの同値類を復元する。 ICDはCIテストが著しく少なく、FCI、FCI+、RFCIアルゴリズムよりも正確な因果グラフを学習できることを実証的に実証した。
  論文  参考訳（メタデータ） (2021-11-07T14:04:46Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• Collaborative Causal Discovery with Atomic Interventions [12.18848217289866]
  我々は、複数の独立したエンティティをそれぞれ独自の因果グラフで持つ一般的なシナリオをモデル化する。 目標は、これらの因果グラフを同時に学習することだ。 我々はこの問題を因果補足仮定なしで研究する。
  論文  参考訳（メタデータ） (2021-06-06T04:30:29Z)
• A Thorough View of Exact Inference in Graphs from the Degree-4 Sum-of-Squares Hierarchy [37.34153902687548]
  各エッジの1つの破損した観測からノードの未知の接地型バイナリラベリングを正確に回収する問題に取り組む。 この問題に対して、和の平方階層と呼ばれるリラクゼーションの階層を適用します。 我々は、緩和問題の双対の解がジョンソングラフとクネーサーグラフのエッジウェイトを見つけることに関連していることを示した。
  論文  参考訳（メタデータ） (2021-02-16T08:36:19Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。