Fugu-MT 論文翻訳(概要): Simulation-based Benchmarking for Causal Structure Learning in Gene Perturbation Experiments

論文の概要: Simulation-based Benchmarking for Causal Structure Learning in Gene Perturbation Experiments

arxiv url: http://arxiv.org/abs/2407.06015v1
Date: Mon, 8 Jul 2024 15:06:03 GMT
ステータス: 処理完了
システム内更新日: 2024-07-09 15:10:58.539618
Title: Simulation-based Benchmarking for Causal Structure Learning in Gene Perturbation Experiments
Title（参考訳）: 遺伝子摂動実験における因果構造学習のためのシミュレーションに基づくベンチマーク
Authors: Luka Kovačević, Izzy Newsham, Sach Mukherjee, John Whittaker,
Abstract要約: CSL(Causal Structure Learning)は、データから因果関係を学習するタスクである。乗法効果構造因果モデルであるtextitCausalRegNet$を提示する。本稿では,CausalRegNetが正確な分布を生成し,現在のシミュレーションフレームワークよりもはるかに高速にスケール可能であることを示す。
参考スコア（独自算出の注目度）: 0.9187159782788578
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal structure learning (CSL) refers to the task of learning causal relationships from data. Advances in CSL now allow learning of causal graphs in diverse application domains, which has the potential to facilitate data-driven causal decision-making. Real-world CSL performance depends on a number of $\textit{context-specific}$ factors, including context-specific data distributions and non-linear dependencies, that are important in practical use-cases. However, our understanding of how to assess and select CSL methods in specific contexts remains limited. To address this gap, we present $\textit{CausalRegNet}$, a multiplicative effect structural causal model that allows for generating observational and interventional data incorporating context-specific properties, with a focus on the setting of gene perturbation experiments. Using real-world gene perturbation data, we show that CausalRegNet generates accurate distributions and scales far better than current simulation frameworks. We illustrate the use of CausalRegNet in assessing CSL methods in the context of interventional experiments in biology.
Abstract（参考訳）: CSL(Causal Structure Learning)は、データから因果関係を学習するタスクである。 CSLの進歩により、さまざまなアプリケーション領域における因果グラフの学習が可能になった。実世界のCSLのパフォーマンスは、実際のユースケースで重要なコンテキスト固有のデータ分散や非線形依存関係を含む、多くの$\textit{context-specific}$ factorに依存します。しかし、特定の文脈におけるCSLメソッドの評価と選択の仕方についての理解は依然として限られている。このギャップに対処するために、遺伝子摂動実験の設定に焦点をあて、文脈固有の特性を取り入れた観察データや介入データを生成するための乗法効果構造因果モデルである$\textit{CausalRegNet}$を提案する。実世界の遺伝子摂動データを用いて、CausalRegNetが正確な分布を生成し、現在のシミュレーションフレームワークよりもはるかに優れていることを示す。生物学における介入実験の文脈におけるCSL法の評価におけるCausalRegNetの使用について述べる。

関連論文リスト

Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文参考訳（メタデータ） (2024-08-29T02:21:11Z)
A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
論文参考訳（メタデータ） (2024-07-16T23:17:36Z)
What Makes CLIP More Robust to Long-Tailed Pre-Training Data? A Controlled Study for Transferable Insights [67.72413262980272]
大規模なデータ不均衡は、Webスケールの視覚言語データセットの間に自然に存在する。事前学習したCLIPは、教師付き学習と比較してデータ不均衡に顕著な堅牢性を示す。 CLIPの堅牢性と差別性は、より記述的な言語監督、より大きなデータスケール、より広いオープンワールドの概念によって改善される。
論文参考訳（メタデータ） (2024-05-31T17:57:24Z)
Shapley-PC: Constraint-based Causal Structure Learning with Shapley Values [12.489784979345654]
因果構造学習(CSL)は、データ中の変数間の因果関係を抽出する。そこで本研究では,制約に基づくCSLアルゴリズムの改良手法であるShapley-PCを提案する。我々はShapley-PCの健全性、完全性、一貫性を証明し、提案アルゴリズムが既存のPCよりも優れていることを示すシミュレーション研究を行う。
論文参考訳（メタデータ） (2023-12-18T11:37:19Z)
Reconciling Shared versus Context-Specific Information in a Neural Network Model of Latent Causes [13.371003283306473]
LCNet(Latent Cause Network)は、LC推論のニューラルネットワークモデルである。ネットワーク重みの中でタスク間で共有される構造を格納する。これはコンテキストモジュールを使用してコンテキスト固有の構造を表現する。
論文参考訳（メタデータ） (2023-12-13T21:12:02Z)
Causal Structure Learning Supervised by Large Language Model [17.531706694386713]
因果構造学習(CSL)は、データから因果非巡回グラフ(DAG)を導出することに焦点を当てる。 CSLにLLM(Large Language Models)を利用する既存のアプローチでは、問題が発生している。本稿では,ILM Supervised CSLフレームワークについて紹介する。
論文参考訳（メタデータ） (2023-11-20T11:43:20Z)
Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文参考訳（メタデータ） (2023-03-02T06:33:48Z)
Invariant Structure Learning for Better Generalization and Causal Explainability [44.580704853704994]
因果構造発見を改善するための新しいフレームワークである不変構造学習(ISL)を提案する。 ISLはデータを異なる環境に分割し、異なる環境にわたってターゲットに不変な構造を学ぶ。我々は、ISLが因果構造を正確に発見し、代替手法より優れ、大きな分布シフトを持つデータセットに対して優れた一般化をもたらすことを示した。
論文参考訳（メタデータ） (2022-06-13T21:04:23Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。 NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。 NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
論文参考訳（メタデータ） (2020-12-09T13:02:44Z)

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。