論文の概要: Generative Flow Networks: Theory and Applications to Structure Learning

• arxiv url: http://arxiv.org/abs/2501.05498v1
• Date: Thu, 09 Jan 2025 17:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:58.172427
• Title: Generative Flow Networks: Theory and Applications to Structure Learning
• Title（参考訳）: 生成フローネットワーク:理論と構造学習への応用
• Authors: Tristan Deleu,
• Abstract要約: この論文は、ベイズの観点からの構造学習の問題を研究する。 ジェネレーティブフローネットワーク(GFlowNets)を導入 GFlowNetsは、生成をシーケンシャルな意思決定問題として扱う。
• 参考スコア（独自算出の注目度）: 7.6872614776094
• License:
• Abstract: Without any assumptions about data generation, multiple causal models may explain our observations equally well. To avoid selecting a single arbitrary model that could result in unsafe decisions if it does not match reality, it is therefore essential to maintain a notion of epistemic uncertainty about our possible candidates. This thesis studies the problem of structure learning from a Bayesian perspective, approximating the posterior distribution over the structure of a causal model, represented as a directed acyclic graph (DAG), given data. It introduces Generative Flow Networks (GFlowNets), a novel class of probabilistic models designed for modeling distributions over discrete and compositional objects such as graphs. They treat generation as a sequential decision making problem, constructing samples of a target distribution defined up to a normalization constant piece by piece. In the first part of this thesis, we present the mathematical foundations of GFlowNets, their connections to existing domains of machine learning and statistics such as variational inference and reinforcement learning, and their extensions beyond discrete problems. In the second part of this thesis, we show how GFlowNets can approximate the posterior distribution over DAG structures of causal Bayesian Networks, along with the parameters of its causal mechanisms, given observational and experimental data.
• Abstract（参考訳）: データ生成に関する仮定がなければ、複数の因果モデルは我々の観察を同じようにうまく説明できるかもしれない。 現実と一致しない場合、安全でない決定をもたらす可能性のある1つの任意のモデルを選択することを避けるためには、候補に対する認識の不確実性の概念を維持することが不可欠である。 この論文は、与えられたデータから有向非巡回グラフ(DAG)として表される因果モデルの構造上の後部分布を近似することで、ベイズ的観点からの構造学習の問題を研究する。 Generative Flow Networks (GFlowNets)は、グラフのような離散的および構成的オブジェクト上の分布をモデル化するために設計された、確率モデルの新しいクラスである。 彼らは生成を逐次決定問題として扱い、正規化定数片まで定義された対象分布のサンプルを1個ずつ構成する。 本論文の前半では,GFlowNetsの数学的基礎,変分推論や強化学習といった既存の機械学習領域や統計学との関係,そして離散的な問題を超えた拡張について述べる。 この論文の第2部では、GFlowNetsが因果ベイズネットワークのDAG構造上の後部分布と、その因果機構のパラメータを、観測データと実験データから近似できることを示す。

関連論文リスト

• DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification [14.96980804513399]
  グラフニューラルネットワーク(GNN)は、分散シフトの影響を受けやすいため、クリティカルドメインの脆弱性やセキュリティ上の問題が発生する。 不変(機能、構造)-ラベルマッピングの学習を目標とする既存の方法は、データ生成プロセスに関する過度に単純化された仮定に依存することが多い。 構造因果モデル(SCM)を用いたより現実的なグラフデータ生成モデルを提案する。 本稿では,非バイアスな特徴ラベルと構造ラベルのマッピングを独立に学習する,カジュアルなデカップリングフレームワークDeCafを提案する。
  論文  参考訳（メタデータ） (2024-10-27T00:22:18Z)
• Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
  本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。 我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
  論文  参考訳（メタデータ） (2022-11-04T21:57:39Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• 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)
• DiBS: Differentiable Bayesian Structure Learning [38.01659425023988]
  ベイズ構造学習(DiBS)のための汎用的で完全に微分可能なフレームワークを提案する。 DiBSは潜在確率グラフ表現の連続空間で動作する。 既存の研究とは対照的に、DiBSは局所的な条件分布の形式に依存しない。
  論文  参考訳（メタデータ） (2021-05-25T11:23:08Z)
• 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)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)

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。