Fugu-MT 論文翻訳(概要): Causal Mosaic: Cause-Effect Inference via Nonlinear ICA and Ensemble Method

論文の概要: Causal Mosaic: Cause-Effect Inference via Nonlinear ICA and Ensemble Method

arxiv url: http://arxiv.org/abs/2001.01894v1
Date: Tue, 7 Jan 2020 05:16:30 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 20:18:23.312435
Title: Causal Mosaic: Cause-Effect Inference via Nonlinear ICA and Ensemble Method
Title（参考訳）: 因果モザイク:非線形ICAとアンサンブル法による因果推論
Authors: Pengzhou Wu and Kenji Fukumizu
Abstract要約: 非パラメトリックな非線形因果モデルを訓練し、非付加的な雑音を許容する。コーサル・モザイク(Causal Mosaic)というアンサンブル・フレームワークを構築し、非線形モデルの混合により因果対をモデル化する。
参考スコア（独自算出の注目度）: 18.44408086531395
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We address the problem of distinguishing cause from effect in bivariate setting. Based on recent developments in nonlinear independent component analysis (ICA), we train nonparametrically general nonlinear causal models that allow non-additive noise. Further, we build an ensemble framework, namely Causal Mosaic, which models a causal pair by a mixture of nonlinear models. We compare this method with other recent methods on artificial and real world benchmark datasets, and our method shows state-of-the-art performance.
Abstract（参考訳）: 二変量設定における原因と効果を区別する問題に対処する。非線形独立成分分析(ica)の最近の進展に基づき,非加法的雑音を許容する非パラメトリック一般非線形因果モデルを訓練する。さらに,非線形モデルの混合により因果ペアをモデル化する,因果モザイクと呼ばれるアンサンブルフレームワークを構築した。我々は,この手法を,人工および実世界のベンチマークデータセット上の他の手法と比較し,最先端の性能を示す。

関連論文リスト

Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい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） (2024-10-02T04:01:38Z)
Assessing the overall and partial causal well-specification of nonlinear additive noise models [4.13592995550836]
このような誤用があっても因果関係を推測できる予測変数を同定することを目的としている。本稿では,有限サンプルデータに対するアルゴリズムを提案し,その特性について議論し,シミュレーションおよび実データ上での性能を示す。
論文参考訳（メタデータ） (2023-10-25T09:44:16Z)
Discovering Mixtures of Structural Causal Models from Time Series Data [23.18511951330646]
基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
論文参考訳（メタデータ） (2023-10-10T05:13:10Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
論文参考訳（メタデータ） (2021-03-02T06:59:52Z)
Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文参考訳（メタデータ） (2021-02-04T20:28:44Z)
Causal Inference Using Linear Time-Varying Filters with Additive Noise [18.35147325731821]
制約構造因果モデルフレームワークを用いた因果推論は、データ生成機構による原因と効果の非対称性に大きく依存する。データの非定常性を利用して対称性を破ることを提案する。主な理論的結果は,原因と効果が時間変化フィルタを介して接続された場合,因果方向が汎用ケースで同定可能であることを示している。
論文参考訳（メタデータ） (2020-12-23T23:35:58Z)
Estimation of Structural Causal Model via Sparsely Mixing Independent Component Analysis [4.7210697296108926]
非ガウス雑音を持つ線形DAGモデルの新しい推定法を提案する。提案手法により,因果順序とパラメータを同時に推定できる。数値実験により,提案手法は既存手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2020-09-07T13:08:10Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。