Fugu-MT 論文翻訳(概要): Causal Bayesian Optimization with Unknown Graphs

論文の概要: Causal Bayesian Optimization with Unknown Graphs

arxiv url: http://arxiv.org/abs/2503.19554v1
Date: Tue, 25 Mar 2025 11:14:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-26 16:52:08.434922
Title: Causal Bayesian Optimization with Unknown Graphs
Title（参考訳）: 未知グラフを用いた因果ベイズ最適化
Authors: Jean Durand, Yashas Annadani, Stefan Bauer, Sonali Parbhoo,
Abstract要約: 因果ベイズ最適化 (Causal Bayesian Optimization, CBO) は、目的とする介入を通じて既知の因果関係を利用して結果変数を最適化する手法である。従来のCBO法では、完全に正確に定義された因果グラフが必要であり、そのようなグラフが未知の現実の多くのシナリオにおいて制限となる。本稿では,因果グラフの事前知識のないCBOフレームワークを提案する。
参考スコア（独自算出の注目度）: 17.871251114630827
License:
Abstract: Causal Bayesian Optimization (CBO) is a methodology designed to optimize an outcome variable by leveraging known causal relationships through targeted interventions. Traditional CBO methods require a fully and accurately specified causal graph, which is a limitation in many real-world scenarios where such graphs are unknown. To address this, we propose a new method for the CBO framework that operates without prior knowledge of the causal graph. Consistent with causal bandit theory, we demonstrate through theoretical analysis and that focusing on the direct causal parents of the target variable is sufficient for optimization, and provide empirical validation in the context of CBO. Furthermore we introduce a new method that learns a Bayesian posterior over the direct parents of the target variable. This allows us to optimize the outcome variable while simultaneously learning the causal structure. Our contributions include a derivation of the closed-form posterior distribution for the linear case. In the nonlinear case where the posterior is not tractable, we present a Gaussian Process (GP) approximation that still enables CBO by inferring the parents of the outcome variable. The proposed method performs competitively with existing benchmarks and scales well to larger graphs, making it a practical tool for real-world applications where causal information is incomplete.
Abstract（参考訳）: 因果ベイズ最適化 (Causal Bayesian Optimization, CBO) は、目的とする介入を通じて既知の因果関係を利用して結果変数を最適化する手法である。従来のCBO法では、完全に正確に定義された因果グラフが必要であり、そのようなグラフが未知の現実の多くのシナリオにおいて制限となる。そこで本研究では,因果グラフの事前知識を必要とせずに動作可能なCBOフレームワークを提案する。因果バンディット理論と矛盾し、理論的解析を通じて、対象変数の直接因果親に焦点をあてることが最適化に十分であることを示し、CBOの文脈における実証的検証を提供する。さらに,対象変数の親に対してベイズ後部を学習する新しい手法を提案する。これにより、因果構造を同時に学習しながら結果変数を最適化できる。我々の貢献は、線形の場合の閉形式後部分布の導出を含む。後部が牽引不能な非線形の場合、結果変数の親を推論することでCBOを可能にするガウス過程(GP)近似を提示する。提案手法は,既存のベンチマークと競合し,より大きなグラフに匹敵するスケールを実現し,因果情報が不完全である実世界のアプリケーションに実用的なツールとなる。

関連論文リスト

Graph Agnostic Causal Bayesian Optimisation [2.624902795082451]
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。
論文参考訳（メタデータ） (2024-11-05T11:49:33Z)
AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
論文参考訳（メタデータ） (2024-03-06T15:06:11Z)
Causal Bayesian Optimization via Exogenous Distribution Learning [15.8362578568708]
既存の因果ベイズ最適化(CBO)法は、報酬を最大化するために因果構造を変更するハード介入に依存する。学習内因性分布を利用した新しいCBO法を開発した。異なるデータセットとアプリケーションの実験により,提案手法の利点が示された。
論文参考訳（メタデータ） (2024-02-03T22:14:54Z)
Exploiting Causal Graph Priors with Posterior Sampling for Reinforcement Learning [86.22660674919746]
後部サンプリングは、環境の遷移力学に関する事前知識の活用を可能にする。本稿では,環境変数に対する因果グラフとして先行値が与えられる新しい後方サンプリング手法を提案する。
論文参考訳（メタデータ） (2023-10-11T14:16:04Z)
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)
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)
BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。近年の進歩により、観測データからDAGの有効最大点推定が可能となった。線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文参考訳（メタデータ） (2021-12-06T03:35:21Z)
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)
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。