論文の概要: A Meta-Learning Approach to Bayesian Causal Discovery
- arxiv url: http://arxiv.org/abs/2412.16577v1
- Date: Sat, 21 Dec 2024 10:52:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:53:07.604537
- Title: A Meta-Learning Approach to Bayesian Causal Discovery
- Title(参考訳): ベイジアン因果発見のためのメタラーニングアプローチ
- Authors: Anish Dhir, Matthew Ashman, James Requeima, Mark van der Wilk,
- Abstract要約: ベイズの後部から得られるような因果構造に対する不確実性は、下流のタスクにしばしば必要である。
近年の研究では、メタラーニングを用いて、最大a-posteriori因果グラフを教師あり学習として推定する問題を考察している。
本稿では,後部から因果構造を抽出し,これらの特徴を符号化するベイズメタ学習モデルを提案する。
- 参考スコア(独自算出の注目度): 15.017003416900836
- License:
- Abstract: Discovering a unique causal structure is difficult due to both inherent identifiability issues, and the consequences of finite data. As such, uncertainty over causal structures, such as those obtained from a Bayesian posterior, are often necessary for downstream tasks. Finding an accurate approximation to this posterior is challenging, due to the large number of possible causal graphs, as well as the difficulty in the subproblem of finding posteriors over the functional relationships of the causal edges. Recent works have used meta-learning to view the problem of estimating the maximum a-posteriori causal graph as supervised learning. Yet, these methods are limited when estimating the full posterior as they fail to encode key properties of the posterior, such as correlation between edges and permutation equivariance with respect to nodes. Further, these methods also cannot reliably sample from the posterior over causal structures. To address these limitations, we propose a Bayesian meta learning model that allows for sampling causal structures from the posterior and encodes these key properties. We compare our meta-Bayesian causal discovery against existing Bayesian causal discovery methods, demonstrating the advantages of directly learning a posterior over causal structure.
- Abstract(参考訳): 固有な因果構造を明らかにすることは、固有の識別可能性の問題と有限データの結果の両方により困難である。
このように、ベイズ後部から得られるような因果構造に対する不確実性は、下流のタスクにしばしば必要である。
この後縁の正確な近似を見つけることは、因果グラフが多数存在することや、因果エッジの機能的関係について後縁を見つけることの難しさから困難である。
近年の研究では、メタラーニングを用いて、最大a-posteriori因果グラフを教師あり学習として推定する問題を考察している。
しかし、これらの手法は、エッジ間の相関やノードに対する置換同値などの後部の鍵特性の符号化に失敗したときに、完全な後部を推定する場合に制限される。
さらに, これらの手法は, 後部から因果構造を確実に採取することができない。
これらの制約に対処するために,後部から因果構造をサンプリングし,それらの重要な特性を符号化するベイズメタ学習モデルを提案する。
我々は,既存のベイズ的因果発見法とメタベイズ的因果発見法を比較し,因果構造を直接学習する利点を実証した。
関連論文リスト
- Scalable Differentiable Causal Discovery in the Presence of Latent Confounders with Skeleton Posterior (Extended Version) [44.54523003453584]
異なる因果発見は、有向非巡回グラフの学習に大きな進歩をもたらした。
既存の差別化可能なMAG学習アルゴリズムは、小さなデータセットに限られており、より大きなデータセットにスケールできなかった。
本研究では, 骨格後頭骨を用いた2相フレームワークであるSPOT(Skeleton Posterior-Guided OpTimization)を提案する。
論文 参考訳(メタデータ) (2024-06-15T07:40:36Z) - 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) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳(メタデータ) (2022-06-03T16:25:48Z) - 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) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳(メタデータ) (2021-06-14T17:52:49Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-28T11:07:59Z) - 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) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳(メタデータ) (2020-08-02T11:19:36Z)
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。