論文の概要: MissNODAG: Differentiable Cyclic Causal Graph Learning from Incomplete Data
- arxiv url: http://arxiv.org/abs/2410.18918v1
- Date: Thu, 24 Oct 2024 17:09:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-25 16:44:20.456199
- Title: MissNODAG: Differentiable Cyclic Causal Graph Learning from Incomplete Data
- Title（参考訳）: MissNODAG:不完全データからの微分可能な周期因果グラフ学習
- Authors: Muralikrishnna G. Sethuraman, Razieh Nabi, Faramarz Fekri,
- Abstract要約: 周期因果グラフを学習するためのフレームワークであるMissNODAGを提案する。
提案フレームワークは,付加雑音モデルと予測最大化処理を統合し,出力不足値の交互化と観測データの可能性の最適化を行う。
合成実験によるMissNODAGの有効性と実世界の遺伝子摂動データへの応用を実証する。
- 参考スコア（独自算出の注目度）: 13.006241141102
- License:
- Abstract: Causal discovery in real-world systems, such as biological networks, is often complicated by feedback loops and incomplete data. Standard algorithms, which assume acyclic structures or fully observed data, struggle with these challenges. To address this gap, we propose MissNODAG, a differentiable framework for learning both the underlying cyclic causal graph and the missingness mechanism from partially observed data, including data missing not at random. Our framework integrates an additive noise model with an expectation-maximization procedure, alternating between imputing missing values and optimizing the observed data likelihood, to uncover both the cyclic structures and the missingness mechanism. We demonstrate the effectiveness of MissNODAG through synthetic experiments and an application to real-world gene perturbation data.
- Abstract（参考訳）: 生物学的ネットワークのような現実世界のシステムにおける因果発見は、フィードバックループや不完全なデータによってしばしば複雑になる。
非循環構造や完全な観測データを想定した標準的なアルゴリズムは、これらの課題に対処する。
このギャップに対処するために、ランダムに欠落しないデータを含む部分的な観測データから、基礎となる巡回因果グラフと欠落メカニズムの両方を学習するための差別化可能なフレームワークであるMissNODAGを提案する。
本フレームワークは, 付加雑音モデルと予測最大化処理を統合し, 提案する欠落値の交互化と観測データの可能性の最適化を行い, 周期構造と欠落機構の両方を明らかにする。
合成実験によるMissNODAGの有効性と実世界の遺伝子摂動データへの応用を実証する。
関連論文リスト
- Learning Cyclic Causal Models from Incomplete Data [13.69726643902085]
周期因果グラフを部分的に欠落したデータから学習するための新しいフレームワークであるMissNODAGSを提案する。
付加雑音モデルの下では、MissNODAGSは、欠落したデータを入力し、データの可視部分のログ類似度を最大化することで、因果グラフを学習する。
本研究では、最先端の計算技術を用いた場合と比較して、部分的に欠落した介入データに対する因果学習による性能向上を実証した。
論文 参考訳（メタデータ） (2024-02-23T22:03:12Z) - Causal disentanglement of multimodal data [1.589226862328831]
因果関係を持つ重要な特徴を発見するために,マルチモーダルデータと既知の物理を利用する因果表現学習アルゴリズム(causalPIMA)を導入する。
本研究は,完全教師なし環境下で重要な特徴を同時に発見しながら,解釈可能な因果構造を学習する能力を示すものである。
論文 参考訳（メタデータ） (2023-10-27T20:30:11Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
時系列データからの因果発見は、機械学習における中心的なタスクである。
本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。
提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
論文 参考訳（メタデータ） (2023-02-15T04:16:34Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z) - NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。
構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
論文 参考訳（メタデータ） (2023-01-04T23:28:18Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Characterization and Greedy Learning of Gaussian Structural Causal
Models under Unknown Interventions [3.441021278275805]
本研究は,各実験における介入対象が不明な場合の観察に基づく因果構造回復の問題について考察する。
干渉対象の知識のないデータ生成モデルの同値クラスを復元するために,GnIESと呼ばれるグリーディアルゴリズムを導出する。
我々は,この手法を活用し,合成,実,半合成のデータセット上でのGnIESの性能を評価する。
論文 参考訳（メタデータ） (2022-11-27T17:37:21Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - 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)
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。