論文の概要: Ordering-Based Causal Discovery for Linear and Nonlinear Relations

• arxiv url: http://arxiv.org/abs/2410.05890v1
• Date: Tue, 8 Oct 2024 10:33:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 12:20:15.139802
• Title: Ordering-Based Causal Discovery for Linear and Nonlinear Relations
• Title（参考訳）: 線形および非線形関係に対する順序に基づく因果探索
• Authors: Zhuopeng Xu, Yujie Li, Cheng Liu, Ning Gui,
• Abstract要約: CaPSは線形および非線形関係を効果的に扱う順序付けに基づく因果探索アルゴリズムである。 実世界のデータから得られた結果は、CaPSの競争力にも寄与する。
• 参考スコア（独自算出の注目度）: 7.920599542957298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying causal relations from purely observational data typically requires additional assumptions on relations and/or noise. Most current methods restrict their analysis to datasets that are assumed to have pure linear or nonlinear relations, which is often not reflective of real-world datasets that contain a combination of both. This paper presents CaPS, an ordering-based causal discovery algorithm that effectively handles linear and nonlinear relations. CaPS introduces a novel identification criterion for topological ordering and incorporates the concept of "parent score" during the post-processing optimization stage. These scores quantify the strength of the average causal effect, helping to accelerate the pruning process and correct inaccurate predictions in the pruning step. Experimental results demonstrate that our proposed solutions outperform state-of-the-art baselines on synthetic data with varying ratios of linear and nonlinear relations. The results obtained from real-world data also support the competitiveness of CaPS. Code and datasets are available at https://github.com/E2real/CaPS.
• Abstract（参考訳）: 純粋な観測データから因果関係を同定するには、通常、関係や雑音に関する追加の仮定が必要となる。 現在のほとんどの手法は、純粋な線形あるいは非線形な関係を持つと仮定されるデータセットにその分析を制限しており、どちらも組み合わさった実世界のデータセットを反映しないことが多い。 本稿では,線形および非線形関係を効果的に処理する順序付けに基づく因果探索アルゴリズムであるCaPSを提案する。 CaPSは、トポロジカルな順序付けのための新しい識別基準を導入し、後処理最適化段階において「パープルスコア」の概念を取り入れている。 これらのスコアは平均因果効果の強さを定量化し、プルーニング過程を加速し、プルーニング工程における不正確な予測を補正するのに役立つ。 実験の結果,提案手法は線形関係と非線形関係の比の異なる合成データに対して,最先端のベースラインよりも優れていることがわかった。 実世界のデータから得られた結果は、CaPSの競争力にも寄与する。 コードとデータセットはhttps://github.com/E2real/CaPS.comで入手できる。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models [2.0738462952016232]
  関数因果モデルに基づく手法は、ユニークなグラフを識別することができるが、次元性の呪いや強いパラメトリックな仮定を課すことに苦しむ。 本研究では,局所的な因果構造を利用した観測データにおけるグローバル因果発見のための新しいハイブリッド手法を提案する。 我々は, 合成データに対する実証的な検証を行い, 正確性および最悪の場合の時間複雑度を理論的に保証する。
  論文  参考訳（メタデータ） (2024-05-23T12:28:16Z)
• Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration [0.0]
  本稿では,LiNGAM-SPPフレームワークの3倍拡張を提案する。 パラメータチューニングの必要性は、kNNベースの相互情報の代わりに、ペアワイズ確率比を用いて排除される。 先行知識の組み入れは、すべての因果順序のグラフ表現に実装されたノードスキッピング戦略によって実現される。
  論文  参考訳（メタデータ） (2024-04-18T05:59:28Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning [8.649109147825985]
  潜伏境界は、観測データから因果推論を行うための長年の障害である。 本稿では,ADMG学習のための自己回帰フローに基づく新しい神経因果モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-22T16:45:54Z)
• Decorrelated Clustering with Data Selection Bias [55.91842043124102]
  本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。 DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
  論文  参考訳（メタデータ） (2020-06-29T08:55:50Z)
• WICA: nonlinear weighted ICA [72.02008296553318]
  独立成分分析(ICA)は、データのコンポーネントが独立している座標系を見つけることを目的としている。 我々は、WICAと呼ばれる新しい非線形ICAモデルを構築し、他のアルゴリズムよりも優れた、より安定した結果を得る。
  論文  参考訳（メタデータ） (2020-01-13T10:38:03Z)
• Discovering Nonlinear Relations with Minimum Predictive Information Regularization [67.7764810514585]
  本稿では,時系列から方向関係を推定する最小限の情報正規化手法を提案する。 本手法は, 合成データセットの非線形関係を学習するための他の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-01-07T04:28:00Z)

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。