Bayesian model selection for latent variable causal networks by sequential monte carlo
Gizli değişkenli nedensel ağlarda parçacık süzgeci ile Bayesci model seçimi
- Tez No: 603751
- Danışmanlar: PROF. DR. ALİ TAYLAN CEMGİL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
Rassal değişkenler arasındaki neden sonuç ilişkilerinin çıkarımı, kontrollü deneylerin mümkün olmadığı durumlarda zorlu bir problemdir. Gizli rassal değişkenlerin varlığı problemin zorluğunu daha da arttırır, ve bundan dolayı nedensellik keşfi yazınının çoğunluğunda gizli değişkenler ihmal edilmektedir. Bu tezde nedensel yapı öğrenilmesi problemine, neden-sonuç mekanizmalarının bağımsızlığı varsayımı üzerine inşa edilmiş Bayesci bir yaklaşım getirmekteyiz. Başka herhangi bir varsayıma ihtiyaç duymadan, nedensel yapı öğrenimi problemini, uygun çizge yapılarının marjinal olabilirliklerinin karşılaştırıldığı bir Bayesçi model seçim problemine indirgemekteyiz. Gizli değişkenlerin varlığında marjinal olabilirlik hesabı, gizli değişkenli Bayes ağlarını puanlamaya eşdeğerdir ve bu problemin genel olarak çözümlenmesinin zor olduğu bilinmektedir. Bu nedenle, marjinal olabilirliğin kestirimi için asimptotik yansız bir kestirici hesaplayan bir parçacık süzgeci algoritması ile birlikte marjinel olabilirliği alttan sınırlandıran bir varyasyonel Bayes yordaması algoritması geliştirmekteyiz. Bu çalışmada, ampirik araştırmalarda sıklıkla karşılaşılan bir modelleme tercihi olan Gauss gürültülü doğrusal taban fonksiyonları karışımı modelini özellikle analiz etmekteyiz. Bu modelde, parametrelerin istatistiksel bağımsızlığı aynı Markov denkliğindeki çizgeleri ayırt edilebilir kılmakta ve yegane nedensel ağın belirlenmesine olanak sağlamaktadır. İki değişkenli durum üzerinden hem yapay hem de gerçek veri setlerinde yürütülen deneyler sonucunda, yaklaşımımızın başarısının en ileri nedensellik keşfi yöntemleriyle aynı seviyede olduğu görülmektedir. Ayrıca yaklaşımımızın genellenebilirliği, onu daha büyük ölçekli nedensel yapı öğrenimi için de umut verici bir çerçeve haline getirmektedir.
Özet (Çeviri)
Inferring the causal structure of several random variables is a challenging task when interventions are not feasible. Presence of latent confounders further increases the difficulty of the problem, and therefore is neglected in the majority of the causal discovery literature. In this thesis, we adopt a Bayesian approach to causal structure learning by building on the assumption of the independence of cause and effect mechanisms. Without any additional assumptions, we reformulate causal structure learning as a Bayesian model selection problem where we compare appropriate graph structures using the marginal likelihood of associated graphs. In the presence of confounders, marginal likelihood computation is equivalent to scoring Bayesian networks with latent variables, which is known to be computationally intractable. In order to approximate this quantity, we develop a sequential Monte Carlo algorithm that provides an asymptotically unbiased estimator, along with a Variational Bayes algorithm that provides a variational lower bound for the marginal likelihood. We particularly analyze the mixture of linear basis functions model with Gaussian noise, which is a frequently encountered modelling choice in the empirical literature. In this model, statistical independence of parameters renders Markov equivalent graphs distinguishable, and allows the identification of a unique causal graph. We illustrate the performance of our framework in both synthetic and real data sets, focusing on the bivariate case. Our direct approach seems to perform at the level of state of the art causal discovery methods. The generalizability of our approach makes it a promising framework for large scale causal structure learning.
Benzer Tezler
- Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty
Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi
GÖNÜL ULUDAĞ
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
- Probabilistic tensor factorization for link prediction
Bağlantı tamini için olasılıksal tensör ayrışımı
BEYZA ERMİŞ
Yüksek Lisans
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. ALİ TAYLAN CEMGİL
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Feature enhancement with deep generative models in deep Bayesian active learning
Bayes derin aktif öğrenmede derin üretici modeller ile öznitelik iyileştirme
PINAR EZGİ DUYMUŞ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ