論文の概要: Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows

• arxiv url: http://arxiv.org/abs/2407.04980v1
• Date: Sat, 6 Jul 2024 07:19:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 21:37:47.044337
• Title: Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
• Title（参考訳）: 正規化流れを伴う非線形後モデルにおける因果発見
• Authors: Nu Hoang, Bao Duong, Thin Nguyen,
• Abstract要約: 非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。 本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
• 参考スコア（独自算出の注目度）: 6.954510776782872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-nonlinear (PNL) causal models stand out as a versatile and adaptable framework for modeling intricate causal relationships. However, accurately capturing the invertibility constraint required in PNL models remains challenging in existing studies. To address this problem, we introduce CAF-PoNo (Causal discovery via Normalizing Flows for Post-Nonlinear models), harnessing the power of the normalizing flows architecture to enforce the crucial invertibility constraint in PNL models. Through normalizing flows, our method precisely reconstructs the hidden noise, which plays a vital role in cause-effect identification through statistical independence testing. Furthermore, the proposed approach exhibits remarkable extensibility, as it can be seamlessly expanded to facilitate multivariate causal discovery via causal order identification, empowering us to efficiently unravel complex causal relationships. Extensive experimental evaluations on both simulated and real datasets consistently demonstrate that the proposed method outperforms several state-of-the-art approaches in both bivariate and multivariate causal discovery tasks.
• Abstract（参考訳）: 非線形後因果モデル(PNL)は、複雑な因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 しかしながら、PNLモデルで必要とされる可逆性制約を正確に捉えることは、既存の研究では難しい。 この問題に対処するために,我々は正規化フローアーキテクチャのパワーを活用し,PNLモデルにおける重要な可逆性制約を強制する CAF-PoNo (正規化フローによるポスト非線形モデルへの因果発見)を導入する。 本手法は,流れの正規化を通じて隠れ雑音を正確に再構成し,統計的独立性試験により原因影響の同定に重要な役割を担っている。 さらに,提案手法は,因果関係を効率的に解き放つために,因果関係の同定による多変量因果関係の発見を容易にするためにシームレスに拡張できることから,顕著な拡張性を示す。 シミュレーションと実データの両方に対する広範囲な実験的評価は、提案手法が二変量および多変量因果発見タスクにおいていくつかの最先端手法より優れていることを一貫して証明している。

関連論文リスト

• Neural Flow Diffusion Models: Learnable Forward Process for Improved Diffusion Modelling [2.1779479916071067]
  より広い範囲のプロセスをサポートすることで拡散モデルを強化する新しいフレームワークを提案する。 また,前処理を学習するための新しいパラメータ化手法を提案する。 結果はNFDMの汎用性と幅広い応用の可能性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T15:10:54Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Rank-Based Causal Discovery for Post-Nonlinear Models [2.4493299476776778]
  ポスト非線形(PNL)因果モデルは、そのような制限されたサブクラスに対して最も柔軟な選択肢の1つである。 本稿では,PNL因果探索のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-23T21:19:23Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。