MissNODAG: Differentiable Cyclic Causal Graph Learning from Incomplete Data

要約

生物学的ネットワークなど、現実世界のシステムにおける因果関係の発見は、フィードバック ループや不完全なデータによって複雑になることがよくあります。
非循環構造や完全に観測されたデータを前提とする標準的なアルゴリズムは、これらの課題に対処しています。
このギャップに対処するために、ランダムではないデータ欠損を含む部分的に観察されたデータから、基礎となる循環因果グラフと欠損メカニズムの両方を学習するための微分可能なフレームワークである MissNODAG を提案します。
私たちのフレームワークは、加法的ノイズ モデルを期待値最大化手順と統合し、欠損値の代入と観測されたデータの尤度の最適化を交互に行うことで、周期構造と欠損メカニズムの両方を明らかにします。
私たちは、合成実験と現実世界の遺伝子摂動データへの適用を通じて、MissNODAG の有効性を実証します。

要約(オリジナル)

Causal discovery in real-world systems, such as biological networks, is often complicated by feedback loops and incomplete data. Standard algorithms, which assume acyclic structures or fully observed data, struggle with these challenges. To address this gap, we propose MissNODAG, a differentiable framework for learning both the underlying cyclic causal graph and the missingness mechanism from partially observed data, including data missing not at random. Our framework integrates an additive noise model with an expectation-maximization procedure, alternating between imputing missing values and optimizing the observed data likelihood, to uncover both the cyclic structures and the missingness mechanism. We demonstrate the effectiveness of MissNODAG through synthetic experiments and an application to real-world gene perturbation data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google