論文の概要: Efficient Identification of Direct Causal Parents via Invariance and Minimum Error Testing

• arxiv url: http://arxiv.org/abs/2409.12797v1
• Date: Thu, 19 Sep 2024 14:07:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 13:23:33.534080
• Title: Efficient Identification of Direct Causal Parents via Invariance and Minimum Error Testing
• Title（参考訳）: 共分散および最小誤差検定による直接因果親の同定
• Authors: Minh Nguyen, Mert R. Sabuncu,
• Abstract要約: ICPの識別可能性問題に対処するために,誤り不等式を用いたMMSE-ICPと高速ICPを提案する。 不等式は、因果親を用いた予測器の最小誤差が全ての予測器の中で最小であることを示す。 MMSE-ICP と fastICP は、多くのシミュレーションにおいて競合するベースラインを上回るだけでなく、大規模な実データベンチマークで最先端の結果が得られる。
• 参考スコア（独自算出の注目度）: 8.40704222803588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Invariant causal prediction (ICP) is a popular technique for finding causal parents (direct causes) of a target via exploiting distribution shifts and invariance testing (Peters et al., 2016). However, since ICP needs to run an exponential number of tests and fails to identify parents when distribution shifts only affect a few variables, applying ICP to practical large scale problems is challenging. We propose MMSE-ICP and fastICP, two approaches which employ an error inequality to address the identifiability problem of ICP. The inequality states that the minimum prediction error of the predictor using causal parents is the smallest among all predictors which do not use descendants. fastICP is an efficient approximation tailored for large problems as it exploits the inequality and a heuristic to run fewer tests. MMSE-ICP and fastICP not only outperform competitive baselines in many simulations but also achieve state-of-the-art result on a large scale real data benchmark.
• Abstract（参考訳）: Invariant causal prediction(ICP)は、分布シフトと不変性テスト(Peters et al , 2016)を利用して標的の因果親(直接的な原因)を見つけるための一般的な手法である。 しかし、ICPは指数関数的な数のテストを実行する必要があり、分布シフトが少数の変数にしか影響しない場合、親を識別できないため、ICPを実用的な大規模問題に適用することは困難である。 ICPの識別可能性問題に対処するために,誤り不等式を用いたMMSE-ICPと高速ICPを提案する。 不等式は、因果親を用いた予測器の最小誤差は、子孫を使用しない全ての予測器の中で最小であると述べている。 fastICPは、より少ないテストを実行するために不等式とヒューリスティックを利用するため、大きな問題に適した効率的な近似である。 MMSE-ICPとfastICPは多くのシミュレーションにおいて競争ベースラインを上回るだけでなく、大規模な実データベンチマークで最先端の結果が得られる。

関連論文リスト

• Invariant Causal Prediction with Local Models [52.161513027831646]
  観測データから対象変数の因果親を特定するタスクについて検討する。 L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
  論文  参考訳（メタデータ） (2024-01-10T15:34:42Z)
• Probabilistically robust conformal prediction [9.401004747930974]
  コンフォーマル予測(CP)は、ディープニューラルネットワークを含む機械学習分類器の不確実性を定量化するフレームワークである。 CPに関する既存の作業のほとんど全てがクリーンなテストデータを前提としており、CPアルゴリズムの堅牢性についてはあまり知られていない。 本稿では,ほとんどの摂動に対して頑健性を保証する確率論的頑健な共形予測(PRCP)の問題について検討する。
  論文  参考訳（メタデータ） (2023-07-31T01:32:06Z)
• Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning [51.487856868285995]
  われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。 特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
  論文  参考訳（メタデータ） (2023-03-28T00:44:06Z)
• Asymptotically Unbiased Instance-wise Regularized Partial AUC Optimization: Theory and Algorithm [101.44676036551537]
  One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。 既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。 本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
  論文  参考訳（メタデータ） (2022-10-08T08:26:22Z)
• MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
  半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。 本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。 この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
  論文  参考訳（メタデータ） (2022-09-26T12:04:49Z)
• Invariant Ancestry Search [6.583725235299022]
  最小不変性の概念を導入し、不変祖先探索(IAS)を提案する。 集団版では、IASは応答の祖先のみを含む集合を出力し、ICPの出力である。 スケーラブルなアルゴリズムを開発し、シミュレーションおよび実データの実験を行う。
  論文  参考訳（メタデータ） (2022-02-02T08:28:00Z)
• PACMAN: PAC-style bounds accounting for the Mismatch between Accuracy and Negative log-loss [28.166066663983674]
  分類タスクに対する機械学習アルゴリズムの最終的な性能は通常、テストデータセットに基づく経験的エラー確率(または精度)の観点から測定される。 分類タスクの場合、この損失関数はよく知られたクロスエントロピーリスクにつながる負のログロスである。 本稿では, 検定のミスマッチを考慮した一般化ギャップに対するポイントワイズPACに基づく分析と, 負のログロスによるトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-12-10T14:00:22Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• Analyzing and Mitigating Interference in Neural Architecture Search [96.60805562853153]
  本研究では、異なる子モデルをサンプリングし、共有演算子の勾配類似度を計算することで干渉問題を解明する。 これら2つの観測から着想を得て、干渉を緩和するための2つのアプローチを提案する。 検索したアーキテクチャは、RoBERTa$_rmbase$が1.1、0.6、ELECTRA$_rmbase$が1.6、テストセットであるGLUEベンチマークで1.1より優れています。
  論文  参考訳（メタデータ） (2021-08-29T11:07:46Z)

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。