論文の概要: Identification Methods With Arbitrary Interventional Distributions as Inputs

• arxiv url: http://arxiv.org/abs/2004.01157v2
• Date: Wed, 15 Apr 2020 16:43:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 09:47:17.175328
• Title: Identification Methods With Arbitrary Interventional Distributions as Inputs
• Title（参考訳）: 任意の介入分布を入力とする同定法
• Authors: Jaron J. R. Lee, Ilya Shpitser
• Abstract要約: 因果推論は、データから反事実パラメータを推定することで、原因と影響の関係を定量化する。 我々は、単一世界干渉グラフと混合グラフに関連付けられたモデルのネスト係数化を用いて、実験データに対する既存の識別理論の非常に単純なビューを提供する。
• 参考スコア（独自算出の注目度）: 8.185725740857595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference quantifies cause-effect relationships by estimating counterfactual parameters from data. This entails using \emph{identification theory} to establish a link between counterfactual parameters of interest and distributions from which data is available. A line of work characterized non-parametric identification for a wide variety of causal parameters in terms of the \emph{observed data distribution}. More recently, identification results have been extended to settings where experimental data from interventional distributions is also available. In this paper, we use Single World Intervention Graphs and a nested factorization of models associated with mixed graphs to give a very simple view of existing identification theory for experimental data. We use this view to yield general identification algorithms for settings where the input distributions consist of an arbitrary set of observational and experimental distributions, including marginal and conditional distributions. We show that for problems where inputs are interventional marginal distributions of a certain type (ancestral marginals), our algorithm is complete.
• Abstract（参考訳）: 因果推論はデータから偽のパラメータを推定することで因果関係を定量化する。 これは「emph{identification theory」を用いて、関心の反実的パラメータとデータが利用可能な分布のリンクを確立する。 研究の行は、多種多様な因果パラメータの非パラメトリック同定を \emph{observed data distribution} で特徴づけた。 より最近では、介入分布の実験データも利用できる設定に識別結果が拡張されている。 本稿では,単一世界干渉グラフと混合グラフに関連付けられたモデルの入れ子分解を用いて,実験データに対する既存同定理論の非常に単純な見解を示す。 この視点を用いて,入力分布が任意の観測分布と実験分布からなる設定に対して,限界分布と条件分布を含む一般化同定アルゴリズムを導出する。 入力が特定の型(祖先辺縁)の介入辺分布である問題に対して、アルゴリズムは完全であることを示す。

関連論文リスト

• A Semiparametric Approach to Causal Inference [2.092897805817524]
  因果推論において、重要な問題は介入や治療の効果を定量化することである。 本稿では, 半パラメトリック密度比モデル(DRM)を用いて, 対物分布の特徴付けを行う。 我々のモデルは、対物分布に関する厳密なパラメトリック仮定を避けることで柔軟性を提供する。
  論文  参考訳（メタデータ） (2024-11-01T18:03:38Z)
• An Overview of Causal Inference using Kernel Embeddings [14.298666697532838]
  カーネル埋め込みは、様々な統計的推論問題における確率測度を表現する強力なツールとして登場した。 主な課題は、因果関係を特定し、観測データから平均的な治療効果を推定することである。
  論文  参考訳（メタデータ） (2024-10-30T07:23:34Z)
• Towards a Unified Theory for Semiparametric Data Fusion with Individual-Level Data [1.0650780147044159]
  本研究では,様々な独立した情報源からの個人レベルのデータを活用することで,滑らかな有限次元パラメータに関する推論を行うという目的に対処する。 近年の進歩により、異なるデータソースが結合対象分布の単一因数分解の条件分布の、おそらくは別個のサブセットと整合するシナリオを扱うことができる包括的理論が発展してきた。 我々は、上記の包括的理論を拡張し、対象分布の単一因数分解に対応しない条件分布に整合したソースからの個々のレベルデータの融合を可能にする。
  論文  参考訳（メタデータ） (2024-09-16T04:10:44Z)
• Synthetic Tabular Data Validation: A Divergence-Based Approach [8.062368743143388]
  分散は、データ分散間の相違を定量化する。 従来のアプローチでは、各特徴に対して独立して発散率を計算する。 本稿では,差分推定を用いて限界比較の限界を克服する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-13T15:07:52Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Data thinning for convolution-closed distributions [2.299914829977005]
  本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。 教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
  論文  参考訳（メタデータ） (2023-01-18T02:47:41Z)
• 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)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。