論文の概要: Causal Graph Recovery in Neuroimaging through Answer Set Programming

• arxiv url: http://arxiv.org/abs/2506.09286v1
• Date: Tue, 10 Jun 2025 22:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.142661
• Title: Causal Graph Recovery in Neuroimaging through Answer Set Programming
• Title（参考訳）: 解答セットプログラミングによるニューロイメージングにおける因果グラフの回復
• Authors: Mohammadsajad Abavisani, Kseniya Solovyeva, David Danks, Vince Calhoun, Sergey Plis,
• Abstract要約: 制約最適化アプローチ、特に解集合プログラミング(ASP)を用いて、最適な解集合を見つける。 ASPは、最も可能性の高い基盤グラフを識別するだけでなく、専門家の選択のための可能なグラフの同値クラスも提供する。 提案手法は,F1スコアを平均12%向上させるため,確立された手法の上にメタアプローチとして適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 2.762303951933521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning graphical causal structures from time series data presents significant challenges, especially when the measurement frequency does not match the causal timescale of the system. This often leads to a set of equally possible underlying causal graphs due to information loss from sub-sampling (i.e., not observing all possible states of the system throughout time). Our research addresses this challenge by incorporating the effects of sub-sampling in the derivation of causal graphs, resulting in more accurate and intuitive outcomes. We use a constraint optimization approach, specifically answer set programming (ASP), to find the optimal set of answers. ASP not only identifies the most probable underlying graph, but also provides an equivalence class of possible graphs for expert selection. In addition, using ASP allows us to leverage graph theory to further prune the set of possible solutions, yielding a smaller, more accurate answer set significantly faster than traditional approaches. We validate our approach on both simulated data and empirical structural brain connectivity, and demonstrate its superiority over established methods in these experiments. We further show how our method can be used as a meta-approach on top of established methods to obtain, on average, 12% improvement in F1 score. In addition, we achieved state of the art results in terms of precision and recall of reconstructing causal graph from sub-sampled time series data. Finally, our method shows robustness to varying degrees of sub-sampling on realistic simulations, whereas other methods perform worse for higher rates of sub-sampling.
• Abstract（参考訳）: 時系列データからグラフィカルな因果構造を学習することは、特に測定周波数がシステムの因果時間スケールと一致しない場合、大きな課題となる。 これはしばしば、サブサンプリングからの情報損失(すなわち、時間を通してシステムのすべての可能な状態を観察しない)により、同様に可能な因果グラフの集合につながる。 本研究は、因果グラフの導出にサブサンプリングの効果を取り入れ、より正確で直感的な結果をもたらすことにより、この問題に対処する。 制約最適化アプローチ、特に解集合プログラミング(ASP)を用いて、最適な解集合を見つける。 ASPは、最も可能性の高い基盤グラフを識別するだけでなく、専門家の選択のための可能なグラフの同値クラスも提供する。 さらに、ASPを使用することで、グラフ理論を活用して、可能なソリューションの集合をさらに刺激し、従来のアプローチよりもはるかに小さく、より正確な回答セットを得ることができます。 シミュレーションデータと経験的構造的脳の接続性の両方にアプローチを検証し,これらの実験において確立された手法よりも優れていることを示す。 さらに,F1スコアを平均12%向上させるため,確立された手法の上にメタアパッチを組み込むことが可能であることを示す。 さらに、サブサンプル時系列データから因果グラフを復元する精度とリコールの観点から、最先端の結果を得た。 最後に,本手法は,現実的なシミュレーションにおいて,サブサンプリングの度合いの変動に対してロバスト性を示す一方,他の手法では,サブサンプリングの速度が向上することを示す。

関連論文リスト

• Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
  本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。 我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。 本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:47:56Z)
• Scalable and Flexible Causal Discovery with an Efficient Test for Adjacency [48.769884734826974]
  因果グラフに2つの変数が隣接しているかどうかを評価するために,スケーラブルで柔軟な手法を構築した。 微分可能隣接テストは指数関数的な数のテストを、証明可能な等価な緩和問題に置き換える。 DAT, DAT-Graphに基づくグラフ学習手法も構築し, 介入したデータから学習する。
  論文  参考訳（メタデータ） (2024-06-13T14:39:40Z)
• Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
  因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。 オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。 グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-19T13:26:33Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Learning Graphs from Smooth Signals under Moment Uncertainty [23.868075779606425]
  与えられたグラフ信号の集合からグラフ構造を推測する問題を検討する。 従来のグラフ学習モデルは、この分布の不確実性を考慮していない。
  論文  参考訳（メタデータ） (2021-05-12T06:47:34Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)

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。