論文の概要: Graph Agnostic Causal Bayesian Optimisation

• arxiv url: http://arxiv.org/abs/2411.03028v1
• Date: Tue, 05 Nov 2024 11:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 15:01:24.146882
• Title: Graph Agnostic Causal Bayesian Optimisation
• Title（参考訳）: Graph Agnostic Causal Bayesian 最適化
• Authors: Sumantrak Mukherjee, Mengyan Zhang, Seth Flaxman, Sebastian Josef Vollmer,
• Abstract要約: 本研究では,ソフトな介入やハードな介入を行なえる未知の因果グラフのターゲット変数を大域的に最適化する問題について検討する。 本稿では,最適報酬の達成に寄与する因果構造を積極的に発見するアルゴリズムであるグラフアグノスティック因果ベイズ最適化(GACBO)を提案する。 提案アルゴリズムは,シミュレーション実験や実世界の応用において,ベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.624902795082451
• License:
• Abstract: We study the problem of globally optimising a target variable of an unknown causal graph on which a sequence of soft or hard interventions can be performed. The problem of optimising the target variable associated with a causal graph is formalised as Causal Bayesian Optimisation (CBO). We study the CBO problem under the cumulative regret objective with unknown causal graphs for two settings, namely structural causal models with hard interventions and function networks with soft interventions. We propose Graph Agnostic Causal Bayesian Optimisation (GACBO), an algorithm that actively discovers the causal structure that contributes to achieving optimal rewards. GACBO seeks to balance exploiting the actions that give the best rewards against exploring the causal structures and functions. To the best of our knowledge, our work is the first to study causal Bayesian optimization with cumulative regret objectives in scenarios where the graph is unknown or partially known. We show our proposed algorithm outperforms baselines in simulated experiments and real-world applications.
• Abstract（参考訳）: 本研究では,ソフトな介入やハードな介入を行なえる未知の因果グラフのターゲット変数を大域的に最適化する問題について検討する。 因果グラフに関連する対象変数を最適化する問題は、因果ベイズ最適化(Causal Bayesian Optimisation, CBO)として定式化される。 本研究では, 難解な介入を伴う構造因果モデルと, ソフトな介入を伴う機能ネットワークの2つの設定に対して, 未知の因果グラフを用いて, 累積的後悔目標の下でCBO問題を考察する。 本稿では,最適報酬の達成に寄与する因果構造を積極的に発見するアルゴリズムであるグラフアグノスティック因果ベイズ最適化(GACBO)を提案する。 GACBOは、因果構造や機能の探索に対して最高の報酬を与える行動の活用のバランスを取ることを目指している。 我々の知る限り、この研究は、グラフが未知あるいは部分的に知られているシナリオにおいて、累積的後悔目標を用いて因果ベイズ最適化を研究する最初のものである。 提案アルゴリズムは,シミュレーション実験や実世界の応用において,ベースラインよりも優れていることを示す。

関連論文リスト

• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• Optimal Observation-Intervention Trade-Off in Optimisation Problems with Causal Structure [1.724169474984623]
  観察・干渉トレードオフは筋電図的でない最適停止問題として定式化できることを示す。 我々の定式化は、実および合成ベンチマーク上で既存のアルゴリズムを強化することができることを示す。
  論文  参考訳（メタデータ） (2023-09-05T14:46:06Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Constrained Causal Bayesian Optimization [9.409281517596396]
  cCBOはまず、グラフ構造を利用して探索空間を減らし、もし可能であれば観測データセットを作成する。 実世界の因果グラフ上でcCBOを評価し, 高速収束と実現可能な介入の比率のトレードオフが成功したことを示す。
  論文  参考訳（メタデータ） (2023-05-31T16:34:58Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Causal Entropy Optimization [12.708838587765307]
  コーサルベイズ最適化(CBO)を一般化し,不確実性の原因を全て考慮する枠組みを提案する。 CEOは因果構造の不確実性を、因果効果の代理モデルと、介入の選択に使用されるメカニズムの両方に組み込んでいる。 CEOは、グラフを学習しながら、CBOと比較してグローバルな最適化に早く収束する。
  論文  参考訳（メタデータ） (2022-08-23T13:58:09Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
  我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。 マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。 理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
  論文  参考訳（メタデータ） (2021-11-03T22:10:18Z)
• Causal Bayesian Optimization [8.958125394444679]
  本研究では、介入の順序が実行される因果モデルの一部である関心の変数をグローバルに最適化する問題について検討する。 私たちのアプローチは、因果推論、不確実性定量化、シーケンシャルな意思決定といったアイデアを組み合わせています。 因果グラフを理解することで、最適な意思決定戦略を推論する能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-05-24T13:20:50Z)

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。