論文の概要: Identifying Causal Direction via Variational Bayesian Compression
- arxiv url: http://arxiv.org/abs/2505.07503v2
- Date: Fri, 23 May 2025 00:54:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-26 15:51:02.992892
- Title: Identifying Causal Direction via Variational Bayesian Compression
- Title（参考訳）: 変分ベイズ圧縮による因果方向の同定
- Authors: Quang-Duy Tran, Bao Duong, Phuoc Nguyen, Thin Nguyen,
- Abstract要約: このタスクで利用される重要な原理はアルゴリズムマルコフ条件であり、因果方向に応じて分解された結合分布は反因果方向よりも簡潔な符号長が得られると仮定する。
本稿では,ニューラルネットワークの変分ベイズ学習をコード長の解釈として活用することを提案する。
- 参考スコア（独自算出の注目度）: 6.928582707713723
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Telling apart the cause and effect between two random variables with purely observational data is a challenging problem that finds applications in various scientific disciplines. A key principle utilized in this task is the algorithmic Markov condition, which postulates that the joint distribution, when factorized according to the causal direction, yields a more succinct codelength compared to the anti-causal direction. Previous approaches approximate these codelengths by relying on simple functions or Gaussian processes (GPs) with easily evaluable complexity, compromising between model fitness and computational complexity. To overcome these limitations, we propose leveraging the variational Bayesian learning of neural networks as an interpretation of the codelengths. Consequently, we can enhance the model fitness while promoting the succinctness of the codelengths, while avoiding the significant computational complexity of the GP-based approaches. Extensive experiments on both synthetic and real-world benchmarks in cause-effect identification demonstrate the effectiveness of our proposed method, surpassing the overall performance of related complexity-based and structural causal model regression-based approaches.
- Abstract（参考訳）: 純粋に観測データを持つ2つのランダム変数間の原因と効果を区別することは、様々な科学分野の応用を見出す上で難しい問題である。
このタスクで利用される重要な原理はアルゴリズムマルコフ条件であり、因果方向に応じて分解された結合分布は反因果方向よりも簡潔な符号長が得られると仮定する。
従来のアプローチでは、これらの符号長を単純な関数やガウス過程(GP)に頼り、容易に評価可能な複雑さを持ち、モデルの適合性と計算の複雑さを補うことで近似していた。
これらの制限を克服するために,ニューラルネットワークの変分ベイズ学習をコード長の解釈として活用することを提案する。
その結果、GPベースのアプローチの計算量を大幅に減らしながら、コード長の簡潔さを高めながらモデルの適合性を高めることができる。
因果同定における実世界および実世界のベンチマークの広範な実験により,提案手法の有効性が示され,関連する複雑性ベースおよび構造因果モデル回帰に基づくアプローチの全体的な性能を上回った。
関連論文リスト
- Quantum-enhanced causal discovery for a small number of samples [0.6665442733069773]
本研究は,基礎となるモデル構造を仮定しない因果発見のための新しい量子ピーター・クラーク(qPC)アルゴリズムを提案する。
我々は因果構造の基本グラフ部分に関する系統的な実験を行い、qPCアルゴリズムが著しく優れた性能を示すことを示した。
我々の理論的および実験的結果は、提案した量子アルゴリズムが古典的アルゴリズムを堅牢で正確な推論に活用できることを証明している。
論文 参考訳（メタデータ） (2025-01-09T07:05:22Z) - Overcoming the Curse of Dimensionality in Reinforcement Learning Through Approximate Factorization [15.898378661128334]
強化学習(RL)アルゴリズムは次元性の呪いに苦しむことが知られている。
本稿では,元のマルコフ決定過程(MDP)を,より小さく,独立に進化するMDPに大まかに分解することで,次元性の呪いを克服することを提案する。
提案手法は,両アルゴリズムに改良された複雑性保証を提供する。
論文 参考訳（メタデータ） (2024-11-12T07:08:00Z) - From Causal Pairs to Causal Graphs [1.5469452301122175]
観測データから学習する因果構造は、非自明な課題である。
NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。
本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
論文 参考訳（メタデータ） (2022-11-08T15:28:55Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳（メタデータ） (2021-10-21T07:28:11Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳（メタデータ） (2021-03-05T04:42:32Z) - Parsimonious Inference [0.0]
parsimonious inferenceは任意のアーキテクチャ上の推論の情報理論的な定式化である。
提案手法は,効率的な符号化と巧妙なサンプリング戦略を組み合わせて,クロスバリデーションを伴わない予測アンサンブルを構築する。
論文 参考訳（メタデータ） (2021-03-03T04:13:14Z) - Efficient Consensus Model based on Proximal Gradient Method applied to
Convolutional Sparse Problems [2.335152769484957]
我々は、勾配近似(PG)アプローチに基づく効率的なコンセンサスアルゴリズムの理論解析を導出し、詳述する。
提案アルゴリズムは、異常検出タスクに対する別の特別な畳み込み問題にも適用できる。
論文 参考訳（メタデータ） (2020-11-19T20:52:48Z) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z) - Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。
コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。
我々は多数の画像処理タスクに対して最先端の結果を得る。
論文 参考訳（メタデータ） (2020-06-15T21:54:15Z)
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。