MDL原理に基づくNML符号長を用いた離散変数の因果探索

• Item type: SIG Technical Reports(1)
• 公開日: 2022-06-20
• タイトル: MDL原理に基づくNML符号長を用いた離散変数の因果探索
• タイトル / 言語: en
• タイトル: Causal Discovery in Discrete Data Using NML Code Length Based on MDL Principle
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属(英): en
• 著者所属(英): Tokyo University
• 著者所属(英): en
• 著者所属(英): Tokyo University
• 著者所属(英): en
• 著者所属(英): Tokyo University
• 著者名: 小林, 将理; 西本, 洋紀; 松島, 慎
• 著者名(英): Masatoshi, Kobayashi; Hiroki, Nishimoto; Shin, Matsushima
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 有限個の観測データのみから確率変数間の因果構造を推測することは，科学における重要な問題の一つである．本稿では，離散変数データに対して，MDL 原理に基づく多項分布モデルの NML 符号長を用いた因果探索手法と BIC を用いた手法を提案する．提案手法は 2 変数間の 4 通りの因果関係の推定を，直接モデル選択の問題として解くというアプローチを用いる．これらは離散変数の組に対する効率的かつ高精度な因果探索手法であり，特に NML 符号長を用いたモデル選択手法は，より高い精度で因果関係の推定が行えることを人工データを使って示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Inference on the causal structure among random variables from only a finite number of observed data is one of the most important problems in science. This paper introduces causal inference methods for discrete variable data using NML code lengths for multinomial distribution models based on the MDL principle and BIC. These methods take an approach in which the estimation of a four-way causal relationship between two variables is directly solved as a model selection problem. We show that this approach is an efficient and accurate causal discovery method for discrete variable pairs using synthetic data. Further, we observed that the model selection method using the NML code length can estimate causal relationships with higher accuracy.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12055912
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2022-BIO-70, 号 27, p. 1-7, 発行日 2022-06-20
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8590
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会