Scalable Structure Learning for Sparse Context-Specific Causal Systems

要約

構造学習アルゴリズムとともに、一緒に分布したカテゴリ変数間のコンテキスト固有の関係をグラフで表現するためのいくつかのアプローチが提案されています。
既存の最適化ベースの手法は、コンテキスト固有のモデルが多数あるためスケーラビリティが制限されていますが、制約ベースの手法は、より多くの関係をテストする必要があるため、制約ベースの DAG 学習アルゴリズムよりもエラーが発生しやすくなっています。
標準的な DAG 学習アルゴリズムよりも多くの制約をテストせずに、数百の変数にスケールできる、コンテキスト固有のモデルを学習するためのハイブリッド アルゴリズムを紹介します。
スケーラブルな学習は、順序ベースの MCMC アルゴリズムと、DAG モデルで通常使用されるものと同様のスパース性の仮定を組み合わせることによって実現されます。
この方法を実装するには、Alon と Balogh によって最近提起された未解決の問題の特殊なケースを解決します。
この方法は、精度とスケーラビリティの両方の点で、合成データと実際の例で良好に機能することが示されています。

要約(オリジナル)

Several approaches to graphically representing context-specific relations among jointly distributed categorical variables have been proposed, along with structure learning algorithms. While existing optimization-based methods have limited scalability due to the large number of context-specific models, the constraint-based methods are more prone to error than even constraint-based DAG learning algorithms since more relations must be tested. We present a hybrid algorithm for learning context-specific models that scales to hundreds of variables while testing no more constraints than standard DAG learning algorithms. Scalable learning is achieved through a combination of an order-based MCMC algorithm and sparsity assumptions analogous to those typically invoked for DAG models. To implement the method, we solve a special case of an open problem recently posed by Alon and Balogh. The method is shown to perform well on synthetic data and real world examples, in terms of both accuracy and scalability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google