論文の概要: Hybrid Local Causal Discovery

• arxiv url: http://arxiv.org/abs/2412.19507v1
• Date: Fri, 27 Dec 2024 07:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:26:53.894918
• Title: Hybrid Local Causal Discovery
• Title（参考訳）: ハイブリッド型局所因果発見
• Authors: Zhaolong Ling, Honghui Peng, Yiwen Zhang, Peng Zhou, Xingyu Wu, Kui Yu, Xindong Wu,
• Abstract要約: 局所因果発見は、対象変数の直接の原因と影響を観測データから学習し、識別することを目的としている。 既存の制約に基づく局所因果発見法は、局所因果骨格の構築にANDまたはORルールを使用している。 HLCDと呼ばれるハイブリッド局所因果探索アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 23.329420595827273
• License:
• Abstract: Local causal discovery aims to learn and distinguish the direct causes and effects of a target variable from observed data. Existing constraint-based local causal discovery methods use AND or OR rules in constructing the local causal skeleton, but using either rule alone is prone to produce cascading errors in the learned local causal skeleton, and thus impacting the inference of local causal relationships. On the other hand, directly applying score-based global causal discovery methods to local causal discovery may randomly return incorrect results due to the existence of local equivalence classes. To address the above issues, we propose a Hybrid Local Causal Discovery algorithm, called HLCD. Specifically, HLCD initially utilizes a constraint-based approach combined with the OR rule to obtain a candidate skeleton and then employs a score-based method to eliminate redundant portions in the candidate skeleton. Furthermore, during the local causal orientation phase, HLCD distinguishes between V-structures and equivalence classes by comparing the local structure scores between the two, thereby avoiding orientation interference caused by local equivalence classes. We conducted extensive experiments with seven state-of-the-art competitors on 14 benchmark Bayesian network datasets, and the experimental results demonstrate that HLCD significantly outperforms existing local causal discovery algorithms.
• Abstract（参考訳）: 局所因果発見は、対象変数の直接の原因と影響を観測データから学習し、識別することを目的としている。 既存の制約に基づく局所因果発見法では、局所因果関係構築にANDまたはORルールを用いるが、どちらの規則も学習した局所因果関係のカスケードエラーを引き起こす傾向があり、したがって局所因果関係の推測に影響を与える。 一方、スコアに基づくグローバル因果発見法を直接局所因果発見に適用することは、局所同値類の存在により、ランダムに不正な結果を返す可能性がある。 上記の問題に対処するため,HLCDと呼ばれるハイブリッド局所因果探索アルゴリズムを提案する。 具体的には、HLCDは最初、ORルールと組み合わせた制約ベースのアプローチを使用して、候補骨格を取得し、次にスコアベースの方法を用いて候補骨格の余分な部分を除去する。 さらに,局所因果配向相において,HLCDは両者の局所構造スコアを比較することにより,V構造と同値類を区別し,局所同値類による配向干渉を回避する。 筆者らはベイジアンネットワークデータセット14のベンチマークで7つの最先端コンペティターと広範な実験を行い、HLCDが既存の因果探索アルゴリズムよりも優れていることを示した。

関連論文リスト

• Local Causal Discovery with Background Knowledge [9.973364796316503]
  あらゆる種類の因果的背景知識を用いて局所構造を学習する手法を提案する。 次に,先行知識の存在下での局所構造のみに基づく因果関係の同定基準を導入する。
  論文  参考訳（メタデータ） (2024-08-15T02:31:48Z)
• Local Causal Discovery with Linear non-Gaussian Cyclic Models [17.59924947011467]
  線形非ガウスモデルを用いた一般化された局所因果探索法を提案する。 我々の識別可能性は、人工と実世界の両方のデータセットを用いて実証的に検証される。
  論文  参考訳（メタデータ） (2024-03-21T21:27:39Z)
• Invariant Causal Prediction with Local Models [52.161513027831646]
  観測データから対象変数の因果親を特定するタスクについて検討する。 L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
  論文  参考訳（メタデータ） (2024-01-10T15:34:42Z)
• Local Causal Discovery for Estimating Causal Effects [41.49486724979923]
  Eager Collider Checks (LDECC) を用いた局所発見 Eager Collider Checks (LDECC) を用いたローカルディスカバリの導入 LDECCと既存のアルゴリズムは、異なる忠実性の仮定に依存しており、この洞察を活用して、可能なATE値の集合を特定するための仮定を弱める。
  論文  参考訳（メタデータ） (2023-02-16T04:12:34Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• CCSL: A Causal Structure Learning Method from Multiple Unknown Environments [32.61349047509467]
  非i.d.データからの因果発見のための統一因果クラスタ構造学習法(CCSL)を提案する。 本手法は,(1)同じ因果機構を持つ被験者をクラスタリングすること,(2)被験者のサンプルから因果構造を学習すること,の2つの課題を同時に統合する。
  論文  参考訳（メタデータ） (2021-11-18T12:50:53Z)
• Enhancing Prototypical Few-Shot Learning by Leveraging the Local-Level Strategy [75.63022284445945]
  既存の作業では、ローカルレベルの機能をすべて混ぜることで、イメージレベルの機能に基づいた、いくつかのショットモデルを構築することがよくあります。 a) 基地と新規カテゴリーの識別的位置バイアスを回避するための地域非依存のトレーニング戦略,(b) 地域レベルの特徴の正確な比較を捉えるための新しい地域レベルの類似度尺度を提案する。
  論文  参考訳（メタデータ） (2021-11-08T08:45:15Z)
• A Local Method for Identifying Causal Relations under Markov Equivalence [7.904790547594697]
  因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。 有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるか否かを局所的に特定する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T05:01:44Z)

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。