論文の概要: Personalized Binomial DAGs Learning with Network Structured Covariates

• arxiv url: http://arxiv.org/abs/2406.06829v1
• Date: Mon, 10 Jun 2024 22:33:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 19:56:14.432781
• Title: Personalized Binomial DAGs Learning with Network Structured Covariates
• Title（参考訳）: ネットワーク構造共変数を用いた個人化二項DAG学習
• Authors: Boxin Zhao, Weishi Wang, Dingyuan Zhu, Ziqi Liu, Dong Wang, Zhiqiang Zhang, Jun Zhou, Mladen Kolar,
• Abstract要約: 因果発見は、観測データを用いて方向付非巡回図形構造を復元することを目的としている。 実際のWeb訪問データに動機付けられ、複数のWebサイトへの個々のユーザ訪問を記録します。
• 参考スコア（独自算出の注目度）: 28.702388515396866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The causal dependence in data is often characterized by Directed Acyclic Graphical (DAG) models, widely used in many areas. Causal discovery aims to recover the DAG structure using observational data. This paper focuses on causal discovery with multi-variate count data. We are motivated by real-world web visit data, recording individual user visits to multiple websites. Building a causal diagram can help understand user behavior in transitioning between websites, inspiring operational strategy. A challenge in modeling is user heterogeneity, as users with different backgrounds exhibit varied behaviors. Additionally, social network connections can result in similar behaviors among friends. We introduce personalized Binomial DAG models to address heterogeneity and network dependency between observations, which are common in real-world applications. To learn the proposed DAG model, we develop an algorithm that embeds the network structure into a dimension-reduced covariate, learns each node's neighborhood to reduce the DAG search space, and explores the variance-mean relation to determine the ordering. Simulations show our algorithm outperforms state-of-the-art competitors in heterogeneous data. We demonstrate its practical usefulness on a real-world web visit dataset.
• Abstract（参考訳）: データにおける因果依存性は、多くの領域で広く使われているDAG(Directed Acyclic Graphical)モデルによって特徴づけられることが多い。 因果発見は、観測データを用いてDAG構造を復元することを目的としている。 本稿では,多変量データを用いた因果発見に焦点を当てた。 実際のWeb訪問データに動機付けられ、複数のWebサイトへの個々のユーザ訪問を記録します。 因果図を構築することは、Webサイト間の遷移におけるユーザの振る舞いを理解し、運用戦略を刺激するのに役立つ。 モデリングにおける課題は、異なる背景を持つユーザーが様々な振る舞いを示すため、ユーザの不均一性である。 さらに、ソーシャルネットワークのつながりは、友人間の同様の行動を引き起こす可能性がある。 実世界のアプリケーションでよく見られる、観測間の不均一性とネットワーク依存性に対処するために、パーソナライズされたBinomial DAGモデルを導入する。 提案したDAGモデルを学習するために,ネットワーク構造を次元還元共変器に埋め込んだアルゴリズムを開発し,各ノードの近傍を学習してDAG探索空間を縮小し,分散平均関係を探索して順序を決定する。 シミュレーションにより、このアルゴリズムは異種データにおいて最先端の競合より優れていることを示す。 実世界のWeb訪問データセットに実用性を示す。

関連論文リスト

• Heterogeneous Sheaf Neural Networks [17.664754528494132]
  不均一グラフは、多くの実世界の応用における関係構造をモデル化するために一般的に用いられる。 グラフの基盤となるトポロジにおける不均一性をモデル化するために,細胞シーブを用いることを提案する。 HetSheafは、ヘテロジニアス層ニューラルネットワークの一般的なフレームワークであり、ヘテロジニアス層予測器のシリーズを紹介する。
  論文  参考訳（メタデータ） (2024-09-12T13:38:08Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• Directed Acyclic Graph Structure Learning from Dynamic Graphs [44.21230819336437]
  特徴(変数)の有向非巡回グラフ(DAG)の構造を推定することは、潜在データ生成プロセスを明らかにする上で重要な役割を果たす。 このようなユビキタスな動的グラフデータに基づくノード特徴生成機構の学習問題について検討する。
  論文  参考訳（メタデータ） (2022-11-30T14:22:01Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Variational Interpretable Learning from Multi-view Data [2.687817337319978]
  DICCAは、多視点データの共有とビュー固有のバリエーションの両方を分離するように設計されている。 実世界のデータセットにおける実証的な結果は、我々の手法がドメイン間で競合していることを示している。
  論文  参考訳（メタデータ） (2022-02-28T01:56:44Z)
• Social Recommendation with Self-Supervised Metagraph Informax Network [21.41026069530997]
  本稿では,ユーザの好み表現に社会的・知識に配慮した関係構造を組み込む可能性について検討する自己改善メタグラフInfor-max Network(SMIN)を提案する。 高次協調信号を注入するために、自己教師付きグラフベース協調フィルタリングの下で相互情報学習パラダイムを一般化する。 いくつかの実世界のデータセットに対する実験結果から,SMINモデルが様々な最先端レコメンデーション手法に対して有効であることを示す。
  論文  参考訳（メタデータ） (2021-10-08T08:18:37Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。