論文の概要: Constraint-based causal discovery with tiered background knowledge and latent variables in single or overlapping datasets

• arxiv url: http://arxiv.org/abs/2503.21526v1
• Date: Thu, 27 Mar 2025 14:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:51.230030
• Title: Constraint-based causal discovery with tiered background knowledge and latent variables in single or overlapping datasets
• Title（参考訳）: 単一または重なり合うデータセットにおける背景知識と潜伏変数の結合による制約に基づく因果探索
• Authors: Christine W. Bang, Vanessa Didelez,
• Abstract要約: 制約に基づく因果発見における相関した背景知識の利用を検討する。 階層型FCI (tiered FCI) アルゴリズムの特性に関する新しい知見を提示する。 我々は,階層型背景知識を取り入れたIODアルゴリズム(重なり合うデータセットの統合),階層型IODアルゴリズム(tIOD)を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper we consider the use of tiered background knowledge within constraint based causal discovery. Our focus is on settings relaxing causal sufficiency, i.e. allowing for latent variables which may arise because relevant information could not be measured at all, or not jointly, as in the case of multiple overlapping datasets. We first present novel insights into the properties of the 'tiered FCI' (tFCI) algorithm. Building on this, we introduce a new extension of the IOD (integrating overlapping datasets) algorithm incorporating tiered background knowledge, the 'tiered IOD' (tIOD) algorithm. We show that under full usage of the tiered background knowledge tFCI and tIOD are sound, while simple versions of the tIOD and tFCI are sound and complete. We further show that the tIOD algorithm can often be expected to be considerably more efficient and informative than the IOD algorithm even beyond the obvious restriction of the Markov equivalence classes. We provide a formal result on the conditions for this gain in efficiency and informativeness. Our results are accompanied by a series of examples illustrating the exact role and usefulness of tiered background knowledge.
• Abstract（参考訳）: 本稿では,制約に基づく因果発見における相関背景知識の利用について考察する。 我々の焦点は、因果関係を緩和する設定、すなわち、複数の重なり合うデータセットの場合のように、関連する情報が全く測定できない、または共同で測定できないために生じる潜伏変数を許容することである。 まず, 階層型FCI (tiered FCI) アルゴリズムの特性について考察する。 そこで本研究では,階層型IOD(tiered IOD)アルゴリズムと階層型IOD(tiered IOD)アルゴリズムを組み合わせたIOD(重なり合うデータセットの統合)アルゴリズムの新たな拡張を提案する。 tIOD と tIOD の単純なバージョンは健全で完全であるのに対し, 結合背景知識 tFCI と tIOD は完全であることを示す。 さらに、tIODアルゴリズムはマルコフ同値クラスの明らかな制限を超えても、IODアルゴリズムよりもかなり効率的かつ情報的であることが期待できることを示す。 我々は、この効率性と情報性の向上の条件について、公式な結果を提供する。 本研究の結果は,階層型背景知識の正確な役割と有用性を示す一連の事例を伴っている。

関連論文リスト

• Improving Finite Sample Performance of Causal Discovery by Exploiting Temporal Structure [0.0]
  因果発見の方法は、データ駆動方式で因果構造を特定することを目的としている。 既存のアルゴリズムは不安定で統計的誤差に敏感であることが知られている。 本稿では,時間的構造,いわゆる階層的背景知識を利用するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-27T19:36:26Z)
• Efficient Knowledge Infusion via KG-LLM Alignment [10.735490041033113]
  知識グラフ検索法は知識注入の効率的かつ効率的な手法であることが証明されている。 既存のアプローチでは、公開知識グラフとタスクの特定の領域との知識ミスマッチ、知識グラフを用いたLLMの情報コンプライアンスの貧弱な2つの主要な課題に直面している。 本稿では,知識グラフから情報を利用するLLMの能力を高めるための3段階のKG-LLMアライメント戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-06T04:55:55Z)
• Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
  オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。 既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。 アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T18:57:53Z)
• Knowledge Verification to Nip Hallucination in the Bud [69.79051730580014]
  本研究では、アライメントデータに存在する外部知識と基礎LPM内に埋め込まれた固有の知識との矛盾を検証し、最小化することにより、幻覚を緩和する可能性を示す。 本稿では,知識一貫性アライメント(KCA, Knowledge Consistent Alignment)と呼ばれる新しい手法を提案する。 6つのベンチマークで幻覚を減らし, バックボーンとスケールの異なる基礎的LCMを利用することで, KCAの優れた効果を実証した。
  論文  参考訳（メタデータ） (2024-01-19T15:39:49Z)
• LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
  LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。 我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
  論文  参考訳（メタデータ） (2023-08-24T06:12:41Z)
• STEERING: Stein Information Directed Exploration for Model-Based Reinforcement Learning [111.75423966239092]
  遷移モデルの現在の推定値と未知の最適値との間の積分確率距離(IPM)の観点から探索インセンティブを提案する。 KSDに基づく新しいアルゴリズムを開発した。 textbfSTEin information dirtextbfEcted Explor for model-based textbfReinforcement Learntextbfing。
  論文  参考訳（メタデータ） (2023-01-28T00:49:28Z)
• CLIP-Driven Fine-grained Text-Image Person Re-identification [50.94827165464813]
  TIReIDは、候補画像のプールから与えられたテキストクエリに対応する画像を取得することを目的としている。 TIReIDにおけるCLIPの強力な知識をフル活用するための,CLIP駆動のきめ細かい情報抽出フレームワーク(CFine)を提案する。
  論文  参考訳（メタデータ） (2022-10-19T03:43:12Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Information fusion between knowledge and data in Bayesian network structure learning [5.994412766684843]
  本稿では,オープンソースのベイジィス構造学習システムで実装された情報融合手法について述べる。 結果は、限定データとビッグデータの両方で示され、ベイジスで利用可能なBN構造学習アルゴリズムが3つ適用されている。
  論文  参考訳（メタデータ） (2021-01-31T15:45:29Z)

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。