論文の概要: ExDAG: Exact learning of DAGs

• arxiv url: http://arxiv.org/abs/2406.15229v1
• Date: Fri, 21 Jun 2024 15:15:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 13:13:06.989884
• Title: ExDAG: Exact learning of DAGs
• Title（参考訳）: ExDAG:DAGの実践的学習
• Authors: Pavel Rytíř, Aleš Wodecki, Jakub Mareček,
• Abstract要約: 本稿では,最大50頂点のDAGを同定し,それらが識別可能な新しい混合整数2次プログラミング定式化および関連アルゴリズムを提案する。 サイクルの形成を阻止する制約は極端に多いが、アルゴリズムはそれぞれの連続的な値の緩和に全ての制約を課すのではなく、見いだされた解に反する制約を加える。 実験の結果,ExDAGは局所的最先端の解法よりも精度が高く,また,スケールに関して最先端のグローバルな解法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been a growing interest in causal learning in recent years. Commonly used representations of causal structures, including Bayesian networks and structural equation models (SEM), take the form of directed acyclic graphs (DAGs). We provide a novel mixed-integer quadratic programming formulation and associated algorithm that identifies DAGs on up to 50 vertices, where these are identifiable. We call this method ExDAG, which stands for Exact learning of DAGs. Although there is a superexponential number of constraints that prevent the formation of cycles, the algorithm adds constraints violated by solutions found, rather than imposing all constraints in each continuous-valued relaxation. Our empirical results show that ExDAG outperforms local state-of-the-art solvers in terms of precision and outperforms state-of-the-art global solvers with respect to scaling, when considering Gaussian noise. We also provide validation with respect to other noise distributions.
• Abstract（参考訳）: 近年、因果学習への関心が高まっている。 ベイズネットワークや構造方程式モデル(SEM)などの因果構造の一般的な表現は、有向非巡回グラフ(DAG)の形式をとる。 本稿では,最大50頂点のDAGを同定し,それらが識別可能な新しい混合整数2次プログラミング定式化および関連アルゴリズムを提案する。 我々はこの手法を,DAGのエクササイズ学習を意味する ExDAG と呼ぶ。 サイクルの形成を阻止する制約は極端に多いが、アルゴリズムはそれぞれの連続的な値の緩和に全ての制約を課すのではなく、見いだされた解に反する制約を加える。 実験結果から,ExDAGは局所的最先端の解法よりも精度が高く,ガウス雑音を考慮した場合,スケールに関して最先端のグローバルな解法よりも優れていた。 また、他の雑音分布についても検証を行う。

関連論文リスト

• Learning Directed Acyclic Graphs from Partial Orderings [9.387234607473054]
  有向非巡回グラフ(DAG)は、確率変数間の因果関係をモデル化するために一般的に用いられる。 本稿では,変数の部分的因果順序付けが可能である場合のDAG学習の中間的問題について考察する。 低次元および高次元問題に対する部分順序付けと効率的な推定アルゴリズムを活用するための一般的な推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T06:14:50Z)
• 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)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Semi-Supervised Heterogeneous Graph Learning with Multi-level Data Augmentation [8.697773215048286]
  本稿では,HG-MDAを用いた半教師付き異種グラフ学習法を提案する。 DAにおける情報の不均一性の問題として,ノードとトポロジの増大戦略を提案する。 HG-MDAはインターネットファイナンスシナリオのユーザ識別に適用され、ビジネスが30%のキーユーザーを追加するのに役立つ。
  論文  参考訳（メタデータ） (2022-11-30T14:35:58Z)
• 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)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Learning linear non-Gaussian directed acyclic graph with diverging number of nodes [12.49848873864773]
  有向非巡回グラフ(DAG)として表される非巡回モデルは、収集ノード間の方向因果関係を表現するために広く用いられている。 本研究では,高次元の場合において,連続的な非ガウス分布の雑音が生じるような線形非ガウスDAGを効率よく学習する方法を提案する。
  論文  参考訳（メタデータ） (2021-11-01T07:34:53Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
  本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。 特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
  論文  参考訳（メタデータ） (2020-11-24T02:55:40Z)
• Differentiable Causal Discovery Under Unmeasured Confounding [19.635669040319872]
  確立されたシステムは、祖先ADMGを通して表現できないより一般的な平等の制限を示す。 我々はこれらの制約を用いて因果発見を連続最適化問題とする。 シミュレーションにより本手法の有効性を実証し,タンパク質発現データセットに適用する。
  論文  参考訳（メタデータ） (2020-10-14T11:47:45Z)
• Learning DAGs without imposing acyclicity [0.6526824510982799]
  本研究では,非巡回性制約を課すことなく,データから有向非巡回グラフ(DAG)を学習可能であることを示す。 このアプローチは計算効率が良く、古典的な構造学習アルゴリズムのような複雑性の爆発の影響を受けない。
  論文  参考訳（メタデータ） (2020-06-04T16:52:01Z)

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。