論文の概要: Differentiable Causal Backdoor Discovery
- arxiv url: http://arxiv.org/abs/2003.01461v1
- Date: Tue, 3 Mar 2020 11:32:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 21:58:38.975600
- Title: Differentiable Causal Backdoor Discovery
- Title（参考訳）: 異なる因果的バックドア発見
- Authors: Limor Gultchin, Matt J. Kusner, Varun Kanade, Ricardo Silva
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 36.68511018339594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discovering the causal effect of a decision is critical to nearly all forms
of decision-making. In particular, it is a key quantity in drug development, in
crafting government policy, and when implementing a real-world machine learning
system. Given only observational data, confounders often obscure the true
causal effect. Luckily, in some cases, it is possible to recover the causal
effect by using certain observed variables to adjust for the effects of
confounders. However, without access to the true causal model, finding this
adjustment requires brute-force search. In this work, we present an algorithm
that exploits auxiliary variables, similar to instruments, in order to find an
appropriate adjustment by a gradient-based optimization method. We demonstrate
that it outperforms practical alternatives in estimating the true causal
effect, without knowledge of the full causal graph.
- Abstract（参考訳）: 意思決定の因果効果を発見することは、ほぼすべての形態の意思決定に不可欠である。
特に、医薬品開発、政府の政策構築、現実世界の機械学習システムの実装において重要な量である。
観察データだけを考えると、共同設立者はしばしば真の因果効果を曖昧にする。
幸運なことに、ある観測変数を用いて共同創設者の効果を調整することにより因果効果を回復できる場合もある。
しかし、真の因果モデルにアクセスできなければ、この調整を見つけるにはブルートフォース探索が必要である。
本稿では,勾配に基づく最適化手法による適切な調整を求めるために,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。
完全な因果グラフを知らずに、真の因果効果を推定する実践的な代替案を上回ることを実証する。
関連論文リスト
- Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。
原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。
また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
論文 参考訳（メタデータ） (2024-09-04T10:37:44Z) - Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。
具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。
効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文 参考訳（メタデータ） (2023-03-12T03:40:21Z) - A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。
データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。
我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-07-18T09:26:07Z) - 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) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳（メタデータ） (2021-07-02T05:44:56Z) - Bayesian Model Averaging for Data Driven Decision Making when Causality
is Partially Known [0.0]
我々はベイズモデル平均化(BMA)のようなアンサンブル法を用いて因果グラフの集合を推定する。
潜在的な介入の期待値とリスクを明示的に計算して意思決定を行います。
論文 参考訳（メタデータ） (2021-05-12T01:55:45Z) - A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
因果治療効果の推定は、様々な現実世界で発生する重要な問題である。
連続分布における因果効果のバウンディング法を提案する。
論文 参考訳（メタデータ） (2020-06-11T12:32:24Z) - 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) - Causal query in observational data with hidden variables [0.0]
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。
論文 参考訳（メタデータ） (2020-01-28T11:23:26Z)
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。