論文の概要: Learning Structural Causal Models from Ordering: Identifiable Flow Models

• arxiv url: http://arxiv.org/abs/2412.09843v1
• Date: Fri, 13 Dec 2024 04:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:04:25.945859
• Title: Learning Structural Causal Models from Ordering: Identifiable Flow Models
• Title（参考訳）: 順序付けから構造因果モデルを学ぶ:認識可能なフローモデル
• Authors: Minh Khoa Le, Kien Do, Truyen Tran,
• Abstract要約: 本稿では,変数の可逆変換を部品的に再現するフローモデルを提案する。 本稿では,すべての因果メカニズムの同時学習を可能にする設計改善を提案する。 本手法は,既存の拡散法に比べて計算時間を大幅に短縮する。
• 参考スコア（独自算出の注目度）: 19.99352354910655
• License:
• Abstract: In this study, we address causal inference when only observational data and a valid causal ordering from the causal graph are available. We introduce a set of flow models that can recover component-wise, invertible transformation of exogenous variables. Our flow-based methods offer flexible model design while maintaining causal consistency regardless of the number of discretization steps. We propose design improvements that enable simultaneous learning of all causal mechanisms and reduce abduction and prediction complexity to linear O(n) relative to the number of layers, independent of the number of causal variables. Empirically, we demonstrate that our method outperforms previous state-of-the-art approaches and delivers consistent performance across a wide range of structural causal models in answering observational, interventional, and counterfactual questions. Additionally, our method achieves a significant reduction in computational time compared to existing diffusion-based techniques, making it practical for large structural causal models.
• Abstract（参考訳）: 本研究では、因果グラフから観測データと有効な因果順序のみが得られる場合の因果推論に対処する。 本研究では,外因性変数の成分的,可逆的変換を回復するフローモデルを提案する。 フローベース手法は、離散化ステップの数にかかわらず因果一貫性を維持しつつ、フレキシブルなモデル設計を提供する。 本稿では,すべての因果的機構を同時に学習し,因果的変数の数によらず,階層数に対して線形なO(n)に対する推論と予測の複雑さを低減できる設計改善を提案する。 実験により,本手法は従来の最先端手法よりも優れており,観察的,介入的,反ファクト的な質問に答える上で,幅広い構造因果モデルに対して一貫した性能を発揮することを示した。 さらに,本手法は既存の拡散法に比べて計算時間を大幅に短縮し,大規模構造因果モデルに実用的である。

関連論文リスト

• Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
  構造学習問題を因果順序と各変数に対する因果順序を推定する親集合に分解する。 提案手法は, スケールフリーおよびエルドス・レーニグラフ構造を持つ非線形付加雑音ベンチマークのシミュレーションによる構造学習における最先端の手法である。
  論文  参考訳（メタデータ） (2024-02-22T18:39:24Z)
• Information theory for data-driven model reduction in physics and biology [0.0]
  我々は,関連変数を特定するために,情報ボトルネックに基づく体系的アプローチを開発する。 高圧縮の極限において、関連する変数は、最も遅い遅延固有関数によって直接決定されることを示す。 モデルリダクションを実行する解釈可能なディープラーニングツールを構築するための確固たる基盤を提供する。
  論文  参考訳（メタデータ） (2023-12-11T18:39:05Z)
• 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)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。