論文の概要: Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning

• arxiv url: http://arxiv.org/abs/2507.07359v1
• Date: Thu, 10 Jul 2025 00:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.241837
• Title: Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
• Title（参考訳）: 因果学習のためのゴール指向逐次ベイズ実験設計
• Authors: Zheyu Zhang, Jiayuan Dong, Jie Liu, Xun Huan,
• Abstract要約: GO-CBEDはシーケンシャルな因果実験設計のためのゴール指向のベイズ的フレームワークである。 このフレームワークは、介入シーケンス全体の最適化と、因果クエリに関連するモデルアスペクトのみを対象としている。 GO-CBEDは、様々な因果推論および発見タスクにおいて、既存のベースラインを一貫して上回っていることを実証する。
• 参考スコア（独自算出の注目度）: 2.89781371591051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present GO-CBED, a goal-oriented Bayesian framework for sequential causal experimental design. Unlike conventional approaches that select interventions aimed at inferring the full causal model, GO-CBED directly maximizes the expected information gain (EIG) on user-specified causal quantities of interest, enabling more targeted and efficient experimentation. The framework is both non-myopic, optimizing over entire intervention sequences, and goal-oriented, targeting only model aspects relevant to the causal query. To address the intractability of exact EIG computation, we introduce a variational lower bound estimator, optimized jointly through a transformer-based policy network and normalizing flow-based variational posteriors. The resulting policy enables real-time decision-making via an amortized network. We demonstrate that GO-CBED consistently outperforms existing baselines across various causal reasoning and discovery tasks-including synthetic structural causal models and semi-synthetic gene regulatory networks-particularly in settings with limited experimental budgets and complex causal mechanisms. Our results highlight the benefits of aligning experimental design objectives with specific research goals and of forward-looking sequential planning.
• Abstract（参考訳）: 本稿では,逐次因果実験設計のためのゴール指向ベイズフレームワークGO-CBEDを提案する。 GO-CBEDは、完全な因果モデル推論を目的とした介入を選択する従来の手法とは異なり、利用者が特定した因果量に対する期待情報ゲイン(EIG)を直接的に最大化し、より標的的で効率的な実験を可能にする。 このフレームワークは、介入シーケンス全体の最適化と、因果クエリに関連するモデルアスペクトのみを対象としている。 正確なEIG計算の難易度に対処するため、変圧器ベースのポリシーネットワークを通じて協調的に最適化された変分下界推定器を導入し、フローベースの変分後部を正規化する。 結果として得られるポリシーは、償却ネットワークを介してリアルタイムな意思決定を可能にする。 GO-CBEDは, 様々な因果的推論・発見タスク, 合成構造因果モデル, 半合成遺伝子制御ネットワークなどにおいて, 実験予算や複雑な因果機構の制約により, 既存のベースラインを一貫して上回っていることを実証した。 本研究は, 実験目標と特定の研究目標との整合性, 前方視の逐次計画の利点を強調した。

関連論文リスト

• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Constrained Bayesian Optimization with Adaptive Active Learning of Unknown Constraints [10.705151736050967]
  制約下での目的の最適化は、科学実験設計、医療療法の設計、産業プロセス最適化といった現実世界の応用において一般的なシナリオである。 一般のROIを決定するために,各側面から特定されたROIと交差する効率的なCBOフレームワークを提案する。 本稿では,実証的な証拠を通じて提案したCBOフレームワークの効率性とロバスト性を実証し,CBOアルゴリズムの実践的後悔境界を導出する根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-10-12T22:32:00Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• A Two-Stage Feature Selection Approach for Robust Evaluation of Treatment Effects in High-Dimensional Observational Data [1.4710887888397084]
  我々は,OAENet(Outcome Adaptive Elastic Net)と呼ばれる新しい2段階特徴選択手法を提案する。 OAENetは、マッチング技術を用いて堅牢な因果推論決定を行うように設計されている。 シミュレーションデータに関する数値実験により、OAENetは最先端の手法を大きく上回っていることが示された。
  論文  参考訳（メタデータ） (2021-11-27T02:54:30Z)
• Goal-Directed Planning for Habituated Agents by Active Inference Using a Variational Recurrent Neural Network [5.000272778136268]
  本研究では, 予測符号化(PC)とアクティブ推論(AIF)フレームワークが, 低次元潜在状態空間における事前分布を学習することにより, より優れた一般化を実現できることを示す。 提案モデルでは, 最適潜伏変数を推定し, 実験結果の最小化のためのシナプス重みを推定することにより学習を行う。 提案手法は,シミュレーションにおけるロボットタスクと複雑なロボットタスクの両方を用いて評価し,限られた学習データを用いた学習における十分な一般化を実証した。
  論文  参考訳（メタデータ） (2020-05-27T06:43:59Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。