論文の概要: Influence of Backdoor Paths on Causal Link Prediction

• arxiv url: http://arxiv.org/abs/2410.14680v1
• Date: Thu, 12 Sep 2024 22:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 07:38:02.715220
• Title: Influence of Backdoor Paths on Causal Link Prediction
• Title（参考訳）: バックドア経路が因果関係予測に及ぼす影響
• Authors: Utkarshani Jaimini, Cory Henson, Amit Sheth,
• Abstract要約: CausalLPBackは、バックドアパスを排除し、知識グラフリンク予測手法を使用する因果リンク予測の新しいアプローチである。 この評価には、因果リンク予測に関連するマルコフに基づく分割と呼ばれるユニークなデータセット分割方法が含まれる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The current method for predicting causal links in knowledge graphs uses weighted causal relations. For a given link between cause-effect entities, the presence of a confounder affects the causal link prediction, which can lead to spurious and inaccurate results. We aim to block these confounders using backdoor path adjustment. Backdoor paths are non-causal association flows that connect the \textit{cause-entity} to the \textit{effect-entity} through other variables. Removing these paths ensures a more accurate prediction of causal links. This paper proposes CausalLPBack, a novel approach to causal link prediction that eliminates backdoor paths and uses knowledge graph link prediction methods. It extends the representation of causality in a neuro-symbolic framework, enabling the adoption and use of traditional causal AI concepts and methods. We demonstrate our approach using a causal reasoning benchmark dataset of simulated videos. The evaluation involves a unique dataset splitting method called the Markov-based split that's relevant for causal link prediction. The evaluation of the proposed approach demonstrates atleast 30\% in MRR and 16\% in Hits@K inflated performance for causal link prediction that is due to the bias introduced by backdoor paths for both baseline and weighted causal relations.
• Abstract（参考訳）: 知識グラフにおける因果関係の予測には重み付き因果関係を用いる。 因果関係が与えられた場合、共同創設者の存在は因果関係の予測に影響を与え、その結果は急激で不正確なものとなる。 バックドアの経路調整を使って、これらの共同創設者をブロックすることを目指しています。 バックドアパスは、他の変数を通して \textit{cause-entity} と \textit{effect-entity} を接続する非因果関連フローである。 これらの経路を除去することで、因果関係をより正確に予測できる。 本稿では,バックドアパスを排除し,知識グラフリンク予測手法を用いる因果関係予測の新しい手法であるCausalLPBackを提案する。 これは、ニューロシンボリックなフレームワークにおける因果関係の表現を拡張し、従来の因果AIの概念とメソッドの採用と使用を可能にする。 シミュレーションビデオの因果推論ベンチマークデータセットを用いて,本手法を実証する。 この評価には、因果リンク予測に関連するマルコフに基づく分割と呼ばれるユニークなデータセット分割方法が含まれる。 提案手法の評価は,ベースラインおよび重み付き因果関係のバックドアパスによるバイアスに起因する因果関係予測において,MRRの最大30倍,Hits@Kの16倍の性能を示す。

関連論文リスト

• PageRank Bandits for Link Prediction [72.61386754332776]
  リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。 本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。 本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
  論文  参考訳（メタデータ） (2024-11-03T02:39:28Z)
• HyperCausalLP: Causal Link Prediction using Hyper-Relational Knowledge Graph [0.0]
  因果関係はしばしば因果関係が欠如している。 因果リンクAでは、BがCを引き起こすので、AからCの影響は仲介者として知られるBに影響される。 本稿では,媒体リンクの助けを借りて因果関係の欠如を見つけるために設計されたHyperCausalLPを提案する。
  論文  参考訳（メタデータ） (2024-09-12T21:01:30Z)
• CausalLP: Learning causal relations with weighted knowledge graph link prediction [5.3454230926797734]
  CausalLPは知識グラフ補完問題として不完全因果ネットワークの問題を定式化している。 因果関係を表す知識グラフを使うことで、外部のドメイン知識の統合が可能になる。 CausalLPでは、因果的説明と因果的予測という2つの主要なタスクがサポートされている。
  論文  参考訳（メタデータ） (2024-04-23T20:50:06Z)
• Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
  本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。 提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
  論文  参考訳（メタデータ） (2023-06-20T06:25:05Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Causal Lifting and Link Prediction [10.336445584242933]
  リンク予測において経路依存を扱える最初の因果モデルを開発した。 構造的対埋め込みが低いバイアスを示し、タスクの因果構造を正しく表すことを示す。 因果関係予測タスクの3つのシナリオについて理論的知見を検証した。
  論文  参考訳（メタデータ） (2023-02-02T16:25:16Z)
• Link-Backdoor: Backdoor Attack on Link Prediction via Node Injection [1.9109292348200242]
  グラフの未発見または潜在的リンクを推測するリンク予測は、現実世界で広く適用されている。 本稿では,既存のリンク予測手法のトレーニング脆弱性を明らかにするために,Link-Backdoorを提案する。
  論文  参考訳（メタデータ） (2022-08-14T04:30:54Z)
• Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
  我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。 本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
  論文  参考訳（メタデータ） (2022-01-21T18:05:00Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。