論文の概要: Causal Relational Learning
- arxiv url: http://arxiv.org/abs/2004.03644v1
- Date: Tue, 7 Apr 2020 18:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 23:22:04.774807
- Title: Causal Relational Learning
- Title(参考訳): 因果関係学習
- Authors: Babak Salimi, Harsh Parikh, Moe Kayali, Sudeepa Roy, Lise Getoor, and
Dan Suciu
- Abstract要約: 因果的背景知識と仮定を捉えるために,CaRLという宣言型言語を提案する。
CaRLは、関係ドメインにおける複雑な介入の影響を因果関係と推論する基盤を提供する。
- 参考スコア(独自算出の注目度): 29.082088734252213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal inference is at the heart of empirical research in natural and social
sciences and is critical for scientific discovery and informed decision making.
The gold standard in causal inference is performing randomized controlled
trials; unfortunately these are not always feasible due to ethical, legal, or
cost constraints. As an alternative, methodologies for causal inference from
observational data have been developed in statistical studies and social
sciences. However, existing methods critically rely on restrictive assumptions
such as the study population consisting of homogeneous elements that can be
represented in a single flat table, where each row is referred to as a unit. In
contrast, in many real-world settings, the study domain naturally consists of
heterogeneous elements with complex relational structure, where the data is
naturally represented in multiple related tables. In this paper, we present a
formal framework for causal inference from such relational data. We propose a
declarative language called CaRL for capturing causal background knowledge and
assumptions and specifying causal queries using simple Datalog-like rules.CaRL
provides a foundation for inferring causality and reasoning about the effect of
complex interventions in relational domains. We present an extensive
experimental evaluation on real relational data to illustrate the applicability
of CaRL in social sciences and healthcare.
- Abstract(参考訳): 因果推論は自然科学と社会科学の実証研究の中心であり、科学的発見と情報的意思決定に不可欠である。
因果推論における金の基準はランダム化制御試験を実施しているが、残念ながらこれらは倫理的、法的、あるいはコストの制約のために常に実現可能であるとは限らない。
代替として、統計学や社会科学において観測データから因果推論を行う手法が開発されている。
しかし、既存の手法は、各行が単位として参照される単一の平らなテーブルで表現できる均質な要素からなる研究人口のような制限的な仮定に批判的に依存する。
対照的に、多くの実世界の環境では、研究領域は自然に複雑な関係構造を持つ異種元素で構成され、データは複数の関連するテーブルで自然に表される。
本稿では,そのような関係データから因果推論を行うための公式な枠組みを提案する。
本稿では,因果的背景知識と仮定を抽出し,単純なデータログ型ルールを用いて因果的クエリを指定するためのCaRLという宣言型言語を提案する。
本稿では,社会科学と医療におけるCaRLの適用性を示すために,実際の関係データに関する広範な実験的評価を行う。
関連論文リスト
- A Versatile Causal Discovery Framework to Allow Causally-Related Hidden
Variables [28.51579090194802]
因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。
ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。
合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-12-18T07:57:39Z) - C-Disentanglement: Discovering Causally-Independent Generative Factors
under an Inductive Bias of Confounder [35.09708249850816]
我々は,共同設立者の帰納的バイアスを明示する最初のフレームワークである,C-Disentanglement(C-Disentanglement)というフレームワークを紹介した。
我々は、合成データセットと実世界のデータセットの両方について広範な実験を行う。
論文 参考訳(メタデータ) (2023-10-26T11:44:42Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳(メタデータ) (2023-10-24T07:46:10Z) - 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) - 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) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - Evaluating Causal Inference Methods [0.4588028371034407]
我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。
我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
論文 参考訳(メタデータ) (2022-02-09T00:21:22Z) - 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) - Typing assumptions improve identification in causal discovery [123.06886784834471]
観測データからの因果発見は、正確な解を常に特定できない難しい課題である。
そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
論文 参考訳(メタデータ) (2021-07-22T14:23:08Z) - Causal Inference in Geoscience and Remote Sensing from Observational
Data [9.800027003240674]
経験的データの有限集合を用いて、因果関係の正しい方向を推定する。
我々は28の地球科学因果推論問題の集合でパフォーマンスを示す。
この基準はあらゆるケースで最先端の検出率を達成するが、一般的にノイズ源や歪みに対して堅牢である。
論文 参考訳(メタデータ) (2020-12-07T22:56:55Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳(メタデータ) (2020-02-05T21:35:29Z)
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。