論文の概要: Efficient Differentiable Discovery of Causal Order

• arxiv url: http://arxiv.org/abs/2410.08787v1
• Date: Fri, 11 Oct 2024 13:11:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 22:05:43.542672
• Title: Efficient Differentiable Discovery of Causal Order
• Title（参考訳）: 因果次数の効率的な微分可能発見
• Authors: Mathieu Chevalley, Arash Mehrjou, Patrick Schwab,
• Abstract要約: Intersortは、変数の因果順序を発見するためのスコアベースの方法である。 我々は、差別化可能なソートとランキング技術を用いてインターソートを再構築する。 我々の研究は、因果順の正規化を微分可能なモデルの訓練に効率的に組み込むための扉を開く。
• 参考スコア（独自算出の注目度）: 14.980926991441342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the algorithm Intersort, Chevalley et al. (2024) proposed a score-based method to discover the causal order of variables in a Directed Acyclic Graph (DAG) model, leveraging interventional data to outperform existing methods. However, as a score-based method over the permutahedron, Intersort is computationally expensive and non-differentiable, limiting its ability to be utilised in problems involving large-scale datasets, such as those in genomics and climate models, or to be integrated into end-to-end gradient-based learning frameworks. We address this limitation by reformulating Intersort using differentiable sorting and ranking techniques. Our approach enables scalable and differentiable optimization of causal orderings, allowing the continuous score function to be incorporated as a regularizer in downstream tasks. Empirical results demonstrate that causal discovery algorithms benefit significantly from regularizing on the causal order, underscoring the effectiveness of our method. Our work opens the door to efficiently incorporating regularization for causal order into the training of differentiable models and thereby addresses a long-standing limitation of purely associational supervised learning.
• Abstract（参考訳）: Intersort, Chevalley et al (2024) のアルゴリズムでは、DAG(Directed Acyclic Graph)モデルにおける変数の因果順序を発見するためのスコアベースの手法が提案され、既存の手法より優れている。 しかし、パームタヘドロン上のスコアベースの方法として、Intersortは計算コストが高く、非微分可能であり、ゲノム学や気候モデルのような大規模データセットに関わる問題や、エンドツーエンドの勾配に基づく学習フレームワークに統合される可能性を制限する。 我々は、異なるソート手法とランキング手法を用いてインターソートを改定することで、この制限に対処する。 提案手法により、因果順序付けのスケーラブルで微分可能な最適化が可能となり、下流タスクの正規化として連続スコア関数を組み込むことができる。 実験の結果,因果発見アルゴリズムは因果順序を規則化し,提案手法の有効性を実証した。 我々の研究は、因果順序の規則化を微分可能なモデルの訓練に効率的に組み込むための扉を開くことで、純粋に関連性のある教師付き学習の長期的制限に対処する。

関連論文リスト

• $ψ$DAG: Projected Stochastic Approximation Iteration for DAG Structure Learning [6.612096312467342]
  Directed A Graphs (DAGs) の構造を学ぶことは、ノード数に応じてスケールする可能なグラフの巨大な検索空間のため、大きな課題となる。 近年の進歩は、微分可能指数関数性制約を取り入れた連続最適化タスクとしてこの問題を再定義している。 本稿では,SGD(Gradient Descent)に基づく最適化手法と統合した近似手法を用いて,DAGを学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-31T12:13:11Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,各レシスタンスに対してDAG(Directed Acyclic Graph)を同時に学習する,新たな最適化手法(線形)を提案する。 我々は広範囲な実験を行い、その手法が様々な環境における因果発見モデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Provably Efficient Learning in Partially Observable Contextual Bandit [4.910658441596583]
  古典的帯域幅アルゴリズムの改善に因果境界をどのように適用できるかを示す。 本研究は,実世界の応用における文脈的包括的エージェントの性能を高める可能性を秘めている。
  論文  参考訳（メタデータ） (2023-08-07T13:24:50Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• 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)
• Efficient Neural Causal Discovery without Acyclicity Constraints [30.08586535981525]
  本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。 実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
  論文  参考訳（メタデータ） (2021-07-22T07:01:41Z)
• Efficient Learning of Generative Models via Finite-Difference Score Matching [111.55998083406134]
  有限差分で任意の順序方向微分を効率的に近似する汎用戦略を提案する。 我々の近似は関数評価にのみ関係しており、これは並列で実行でき、勾配計算は行わない。
  論文  参考訳（メタデータ） (2020-07-07T10:05:01Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)
• Learning High Order Feature Interactions with Fine Control Kernels [12.5433010409486]
  我々は、全ての可能な乗法的相互作用を特徴とするスパース統計モデルを学習するための方法論を提供する。 また、Fenchel DualityをベースとしたアルゴリズムパラダイムであるFine Control Kernelフレームワークについても紹介する。
  論文  参考訳（メタデータ） (2020-02-09T06:29:15Z)

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。