Fugu-MT 論文翻訳(概要): DCILP: A Distributed Approach for Large-Scale Causal Structure Learning

論文の概要: DCILP: A Distributed Approach for Large-Scale Causal Structure Learning

arxiv url: http://arxiv.org/abs/2406.10481v2
Date: Sat, 01 Mar 2025 01:45:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-04 13:03:31.616068
Title: DCILP: A Distributed Approach for Large-Scale Causal Structure Learning
Title（参考訳）: DCILP:大規模因果構造学習のための分散アプローチ
Authors: Shuyu Dong, Michèle Sebag, Kento Uemura, Akito Fujii, Shuang Chang, Yusuke Koyanagi, Koji Maruhashi,
Abstract要約: 因果学習は因果グラフを推定する計算的に要求されるタスクに取り組む。本稿では,DCILPと呼ばれる因果グラフ学習のための新たな分枝・分枝手法を提案する。
参考スコア（独自算出の注目度）: 4.551283926017506
License:
Abstract: Causal learning tackles the computationally demanding task of estimating causal graphs. This paper introduces a new divide-and-conquer approach for causal graph learning, called DCILP. In the divide phase, the Markov blanket MB($X_i$) of each variable $X_i$ is identified, and causal learning subproblems associated with each MB($X_i$) are independently addressed in parallel. This approach benefits from a more favorable ratio between the number of data samples and the number of variables considered. In counterpart, it can be adversely affected by the presence of hidden confounders, as variables external to MB($X_i$) might influence those within it. The reconciliation of the local causal graphs generated during the divide phase is a challenging combinatorial optimization problem, especially in large-scale applications. The main novelty of DCILP is an original formulation of this reconciliation as an integer linear programming (ILP) problem, which can be delegated and efficiently handled by an ILP solver. Through experiments on medium to large scale graphs, and comparisons with state-of-the-art methods, DCILP demonstrates significant improvements in terms of computational complexity, while preserving the learning accuracy on real-world problem and suffering at most a slight loss of accuracy on synthetic problems.
Abstract（参考訳）: 因果学習は因果グラフを推定する計算的に要求されるタスクに取り組む。本稿では,DCILPと呼ばれる因果グラフ学習のための新たな分枝・分枝手法を提案する。分割段階では、各変数$X_i$のマルコフ毛布MB($X_i$)を特定し、各MB($X_i$)に関連する因果学習サブプロブレムを独立して並列に扱う。このアプローチは、データサンプルの数と検討された変数の数とのより好ましい比率から恩恵を受ける。一方、MB($X_i$)以外の変数がその内部に影響を及ぼす可能性があるため、隠れた共同創設者の存在によって悪影響を及ぼす可能性がある。分割相の間に生じる局所因果グラフの整合性は、特に大規模アプリケーションにおいて難しい組合せ最適化問題である。 DCILPの主な特徴は、この和解を整数線形プログラミング(ILP)問題として定式化し、ILPソルバによって委譲され、効率的に処理できることである。中～大規模グラフの実験、そして最先端の手法との比較を通じて、DCILPは実世界の問題における学習精度を保ち、合成問題における学習精度をほとんどわずかに損なう一方で、計算複雑性の観点から大きな改善を示す。

関連論文リスト

Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文参考訳（メタデータ） (2025-02-12T04:07:12Z)
Knowledge Distillation and Enhanced Subdomain Adaptation Using Graph Convolutional Network for Resource-Constrained Bearing Fault Diagnosis [0.0]
複雑な教師モデルからコンパクトで効率的な学生モデルに知識を伝達する進歩的知識蒸留フレームワークを提案する。再生ケルネルヒルベルト空間(RKHS)における平均および分散統計を利用してラベル間の事前確率分布を組み込むELMMSD(Enhanced Local Maximum Mean Squared Discrepancy)を導入する。
論文参考訳（メタデータ） (2025-01-13T10:05:47Z)
Stability and Generalization of the Decentralized Stochastic Gradient Descent Ascent Algorithm [80.94861441583275]
本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。本研究は,D-SGDAの一般化における各因子の影響を解析した。また、最適凸凹設定を得るために一般化とバランスをとる。
論文参考訳（メタデータ） (2023-10-31T11:27:01Z)
Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2023-06-01T19:33:30Z)
Self-Supervised Learning with an Information Maximization Criterion [5.214806886230471]
同じ入力の代替表現間の情報の直接的な適用は、崩壊問題を自然に解決する、と我々は主張する。本稿では,2次統計に基づく相互情報尺度を用いた自己教師型学習手法CorInfoMaxを提案する。 CorInfoMaxは、最先端のSSLアプローチと比較して、より良い、あるいは競争力のあるパフォーマンスを達成している。
論文参考訳（メタデータ） (2022-09-16T15:26:19Z)
Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文参考訳（メタデータ） (2022-06-06T05:12:48Z)
A Probabilistic Graph Coupling View of Dimension Reduction [5.35952718937799]
クロスエントロピーを用いた隠れグラフの結合に基づく統一統計フレームワークを提案する。既存のペアワイズ類似性DR法は,グラフの事前選択に際し,我々のフレームワークから検索可能であることを示す。我々のモデルはこの問題に対処するために活用され拡張され、新しいリンクはラプラシア固有写像とPCAで描画される。
論文参考訳（メタデータ） (2022-01-31T08:21:55Z)
A Local Method for Identifying Causal Relations under Markov Equivalence [7.904790547594697]
因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるか否かを局所的に特定する手法を提案する。
論文参考訳（メタデータ） (2021-02-25T05:01:44Z)
Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文参考訳（メタデータ） (2020-10-09T15:42:35Z)
Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文参考訳（メタデータ） (2020-07-03T15:19:17Z)
Stochastic gradient algorithms from ODE splitting perspective [0.0]
我々は、ODEの近似解の分割スキームに遡る最適化に関する異なる見解を示す。そこで本研究では, ODE の勾配一階分割方式と降下アプローチの関連性について述べる。我々は、機械学習アプリケーションにインスパイアされた分割の特殊なケースを考察し、それに対するグローバルスプリッティングエラーに新たな上限を導出する。
論文参考訳（メタデータ） (2020-04-19T22:45:32Z)

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。