論文の概要: Causal query in observational data with hidden variables
- arxiv url: http://arxiv.org/abs/2001.10269v4
- Date: Tue, 24 Nov 2020 05:11:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 01:57:00.296947
- Title: Causal query in observational data with hidden variables
- Title(参考訳): 隠れ変数を持つ観測データにおける因果クエリ
- Authors: Debo Cheng (1), Jiuyong Li (1), Lin Liu (1), Jixue Liu (1), Kui Yu
(2), and Thuc Duy Le (1) ((1) School of Information Technology and
Mathematical Sciences, University of South Australia (2) School of Computer
Science and Information Engineering, Hefei University of Technology)
- Abstract要約: 本研究では、局所探索を用いて、観測データから因果効果を推定するための調整変数のスーパーセットを求める定理を開発する。
開発した定理に基づいて,因果クエリのためのデータ駆動型アルゴリズムを提案する。
実験により,提案アルゴリズムは隠れ変数を持つ既存のデータ駆動因果効果推定法よりも高速で,因果効果を推定できることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper discusses the problem of causal query in observational data with
hidden variables, with the aim of seeking the change of an outcome when
"manipulating" a variable while given a set of plausible confounding variables
which affect the manipulated variable and the outcome. Such an "experiment on
data" to estimate the causal effect of the manipulated variable is useful for
validating an experiment design using historical data or for exploring
confounders when studying a new relationship. However, existing data-driven
methods for causal effect estimation face some major challenges, including poor
scalability with high dimensional data, low estimation accuracy due to
heuristics used by the global causal structure learning algorithms, and the
assumption of causal sufficiency when hidden variables are inevitable in data.
In this paper, we develop a theorem for using local search to find a superset
of the adjustment (or confounding) variables for causal effect estimation from
observational data under a realistic pretreatment assumption. The theorem
ensures that the unbiased estimate of causal effect is included in the set of
causal effects estimated by the superset of adjustment variables. Based on the
developed theorem, we propose a data-driven algorithm for causal query.
Experiments show that the proposed algorithm is faster and produces better
causal effect estimation than an existing data-driven causal effect estimation
method with hidden variables. The causal effects estimated by the proposed
algorithm are as accurate as those by the state-of-the-art methods using domain
knowledge.
- Abstract(参考訳): 本稿では,隠れ変数を持つ観測データにおける因果クエリの問題について議論し,操作変数と結果に影響を及ぼす妥当な共起変数のセットを与えられた上で,変数を"操作"する際の結果の変化を求める。
操作変数の因果効果を推定する「データの実験」は、履歴データを用いた実験設計の検証や、新しい関係を研究する際の共同設立者の探索に有用である。
しかし、因果効果推定のための既存のデータ駆動手法は、高次元データによるスケーラビリティの低さ、グローバル因果構造学習アルゴリズムが用いたヒューリスティックスによる推定精度の低さ、データ中に隠れ変数が避けられない場合に因果効果の仮定など、いくつかの大きな課題に直面している。
本稿では,局所探索を用いて実測データから因果効果を推定するための適応変数のスーパーセット(あるいはコンバウンディング)を求める定理を,現実的な前処理仮定の下で開発する。
この定理は、調整変数のスーパーセットによって推定される因果効果の集合に因果効果の偏りのない推定が入ることを保証する。
開発した定理に基づき,因果検索のためのデータ駆動型アルゴリズムを提案する。
実験により,提案アルゴリズムは隠れ変数を持つ既存のデータ駆動因果効果推定法よりも高速で,因果効果を推定できることがわかった。
提案アルゴリズムにより推定される因果効果は,ドメイン知識を用いた最先端手法と同等に正確である。
関連論文リスト
- Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Valid Inference after Causal Discovery [95.20382312836541]
我々は、因果関係発見後の推論に有効なツールを開発する。
因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
論文 参考訳(メタデータ) (2022-08-11T17:40:45Z) - Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。
変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T13:46:12Z) - Multi-Source Causal Inference Using Control Variates [81.57072928775509]
本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。
理論的には、これはATE推定値の分散を減少させる。
このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
論文 参考訳(メタデータ) (2021-03-30T21:20:51Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Achieving Reliable Causal Inference with Data-Mined Variables: A Random
Forest Approach to the Measurement Error Problem [1.5749416770494704]
一般的な実証的戦略は、利用可能なデータから関心のある変数を'マイニング'する予測モデリング手法の適用を含む。
最近の研究は、機械学習モデルからの予測は必然的に不完全であるため、予測変数に基づく計量分析は測定誤差によるバイアスに悩まされる可能性が高いことを強調している。
ランダムフォレストと呼ばれるアンサンブル学習技術を用いて,これらのバイアスを軽減する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-12-19T21:48:23Z) - Meta Learning for Causal Direction [29.00522306460408]
小型データ設定における原因と効果の区別を可能にする新しい生成モデルを提案する。
提案手法は, 各種合成データと実世界のデータを用いて実証し, 種々のデータセットサイズにおける方向検出の精度を高い精度で維持可能であることを示す。
論文 参考訳(メタデータ) (2020-07-06T15:12:05Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳(メタデータ) (2020-06-25T18:25:59Z) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-06-09T06:56:31Z) - Differentiable Causal Backdoor Discovery [36.68511018339594]
本稿では,勾配に基づく最適化手法により適切な調整を行うために,楽器と同様の補助変数を利用するアルゴリズムを提案する。
完全な因果グラフの知識を必要とせず、真の因果効果を推定する実用的な選択肢よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-03-03T11:32:43Z) - Towards unique and unbiased causal effect estimation from data with
hidden variables [0.0]
観測データから因果効果を推定することは重要であるが、難しい課題である。
本研究では,隠れ変数を持つデータから因果効果のユニークかつ偏りのない推定を行う手法を提案する。
定理に基づいて、隠れ変数を持つデータから適切な調整セットを見つけるための2つのアルゴリズムが提案されている。
論文 参考訳(メタデータ) (2020-02-24T06:42:32Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。