論文の概要: A Critical View of the Structural Causal Model

• arxiv url: http://arxiv.org/abs/2002.10007v1
• Date: Sun, 23 Feb 2020 22:52:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 09:01:39.326529
• Title: A Critical View of the Structural Causal Model
• Title（参考訳）: 構造因果モデルに関する批判的考察
• Authors: Tomer Galanti, Ofir Nabati, Lior Wolf
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 89.43277111586258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the univariate case, we show that by comparing the individual complexities of univariate cause and effect, one can identify the cause and the effect, without considering their interaction at all. In our framework, complexities are captured by the reconstruction error of an autoencoder that operates on the quantiles of the distribution. Comparing the reconstruction errors of the two autoencoders, one for each variable, is shown to perform surprisingly well on the accepted causality directionality benchmarks. Hence, the decision as to which of the two is the cause and which is the effect may not be based on causality but on complexity. In the multivariate case, where one can ensure that the complexities of the cause and effect are balanced, we propose a new adversarial training method that mimics the disentangled structure of the causal model. We prove that in the multidimensional case, such modeling is likely to fit the data only in the direction of causality. Furthermore, a uniqueness result shows that the learned model is able to identify the underlying causal and residual (noise) components. Our multidimensional method outperforms the literature methods on both synthetic and real world datasets.
• Abstract（参考訳）: 単変量の場合、単変量原因と効果の個々の複雑さを比較することで、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。 本フレームワークでは,分布の量子化を演算するオートエンコーダの再構成誤差によって複雑度が捉えられる。 各変数に対する2つのオートエンコーダの再構成誤差を比較すると、許容された因果性指向性ベンチマークにおいて驚くほど良い結果が得られた。 したがって、どちらが原因で、どれが影響であるかは因果関係ではなく、複雑さに基づいている可能性がある。 多変量体の場合、原因と効果の複雑さが均衡していることを保証するため、因果モデルの不整合構造を模倣する新たな対向訓練法を提案する。 多次元の場合、そのようなモデリングは因果関係の方向にのみデータに適合することが証明される。 さらに、一意性の結果は、学習したモデルが根底にある因果および残余(ノイズ)成分を識別できることを示している。 本手法は, 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る。

関連論文リスト

• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Variation-based Cause Effect Identification [5.744133015573047]
  本稿では、因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。 我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズムの独立(ICM)の原理に依存している。 因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。
  論文  参考訳（メタデータ） (2022-11-22T05:19:12Z)
• Causal Discovery in Linear Latent Variable Models Subject to Measurement Error [29.78435955758185]
  線形系における測定誤差の存在下での因果発見に着目した。 我々は、この問題と因果発見の驚くべき関連性を、観察されていない親性原因の存在で示している。
  論文  参考訳（メタデータ） (2022-11-08T03:43:14Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• 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)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。