論文の概要: Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs

• arxiv url: http://arxiv.org/abs/2510.06735v1
• Date: Wed, 08 Oct 2025 07:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.353272
• Title: Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
• Title（参考訳）: 直進非巡回グラフの混合のベイズ因果発見に専門知識を取り入れる
• Authors: Zachris Björkman, Jorge Loría, Sophie Wharrie, Samuel Kaski,
• Abstract要約: 異種環境における因果推論手法を提案する。 我々は、因果関係の混在を推測するために、専門家のフィードバックを抽出した情報グラフを事前に構築する。 本手法は乳がんデータベースの複雑な分布を把握できることを実証する。
• 参考スコア（独自算出の注目度）: 19.841237465165513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian causal discovery benefits from prior information elicited from domain experts, and in heterogeneous domains any prior knowledge would be badly needed. However, so far prior elicitation approaches have assumed a single causal graph and hence are not suited to heterogeneous domains. We propose a causal elicitation strategy for heterogeneous settings, based on Bayesian experimental design (BED) principles, and a variational mixture structure learning (VaMSL) method -- extending the earlier differentiable Bayesian structure learning (DiBS) method -- to iteratively infer mixtures of causal Bayesian networks (CBNs). We construct an informative graph prior incorporating elicited expert feedback in the inference of mixtures of CBNs. Our proposed method successfully produces a set of alternative causal models (mixture components or clusters), and achieves an improved structure learning performance on heterogeneous synthetic data when informed by a simulated expert. Finally, we demonstrate that our approach is capable of capturing complex distributions in a breast cancer database.
• Abstract（参考訳）: ベイズ的因果発見は、ドメインの専門家から引き起こされた事前情報から得られる利点であり、異種領域ではいかなる事前知識もひどく必要である。 しかし、これまでのところ、導入前のアプローチは単一の因果グラフを仮定しているため、異種領域には適していない。 本研究では、ベイジアン実験設計(BED)の原則に基づく異種環境における因果推論戦略と、それ以前の微分可能なベイジアン構造学習(DiBS)法を拡張した変分混合構造学習(VaMSL)法を、因果ベイジアンネットワーク(CBN)の混合を反復的に推論する手法を提案する。 我々は、CBNの混合物の推測に専門家からのフィードバックを取り入れる前に、情報グラフを構築した。 提案手法は, 代替因果モデル(混合成分やクラスター)の集合を試作し, シミュレーション専門家から情報を得ると, 異種合成データに対する構造学習性能の向上を実現する。 最後に,本手法が乳がんデータベースの複雑な分布を把握できることを実証する。

関連論文リスト

• Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
  因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点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） (2025-02-27T14:06:14Z)
• Amortized Bayesian Mixture Models [1.3976439685325095]
  本稿では,混合モデルに適したABI(Amortized Bayesian Inference)の拡張について紹介する。 我々は、後部をパラメータの分布と(カテゴリー的な)混合指標の分布に分解し、生成ニューラルネットワークの組み合わせを利用できるようにする。 提案フレームワークは、独立混合モデルと依存混合モデルの両方に対応し、フィルタリングと平滑化を可能にする。
  論文  参考訳（メタデータ） (2025-01-17T14:51:03Z)
• Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
  本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。 我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
  論文  参考訳（メタデータ） (2022-11-04T21:57:39Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。