論文の概要: A Ladder of Causal Distances

• arxiv url: http://arxiv.org/abs/2005.02480v2
• Date: Wed, 25 Aug 2021 08:53:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 13:05:32.057957
• Title: A Ladder of Causal Distances
• Title（参考訳）: 因果距離のラダー
• Authors: Maxime Peyrard and Robert West
• Abstract要約: 因果関係のラダー(ladder of causation)の各ラングに3つの距離の階層を導入する。 我々は、合成と実世界の両方のデータセット上で標準的な因果発見システムをベンチマークすることで、因果距離を使用できるようにしました。 最後に、因果発見技術の評価以上の応用について、簡単な議論をすることで、因果距離の有用性を強調した。
• 参考スコア（独自算出の注目度）: 44.34185575573054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery, the task of automatically constructing a causal model from data, is of major significance across the sciences. Evaluating the performance of causal discovery algorithms should ideally involve comparing the inferred models to ground-truth models available for benchmark datasets, which in turn requires a notion of distance between causal models. While such distances have been proposed previously, they are limited by focusing on graphical properties of the causal models being compared. Here, we overcome this limitation by defining distances derived from the causal distributions induced by the models, rather than exclusively from their graphical structure. Pearl and Mackenzie (2018) have arranged the properties of causal models in a hierarchy called the "ladder of causation" spanning three rungs: observational, interventional, and counterfactual. Following this organization, we introduce a hierarchy of three distances, one for each rung of the ladder. Our definitions are intuitively appealing as well as efficient to compute approximately. We put our causal distances to use by benchmarking standard causal discovery systems on both synthetic and real-world datasets for which ground-truth causal models are available. Finally, we highlight the usefulness of our causal distances by briefly discussing further applications beyond the evaluation of causal discovery techniques.
• Abstract（参考訳）: データから因果モデルを自動的に構築するタスクである因果発見は、科学において大きな意味を持つ。 因果発見アルゴリズムの性能を評価するには、推論されたモデルとベンチマークデータセットで使用可能な基底モデルを比較することが理想的であり、因果モデル間の距離の概念が必要となる。 このような距離は以前にも提案されてきたが、比較対象の因果モデルのグラフィカルな特性に注目して制限されている。 ここでは,モデルによって誘導される因果分布から得られる距離を,図形構造のみからではなく,定義することで,この制限を克服する。 pearl and mackenzie と mackenzie (2018) は、3つのラング(観察、介入、反事実)にまたがる "ladder of causation" と呼ばれる階層に因果モデルの特性を配置した。 この組織に従えば,はしごのラング毎に1つずつの3つの距離の階層構造を導入する。 私たちの定義は直感的に魅力的であり、おおよそ計算が効率的です。 地上因果モデルが利用可能な合成データと実世界のデータセットの両方に標準因果発見システムをベンチマークすることにより,因果距離を生かした。 最後に,因果的距離の有用性について,因果的発見手法の評価を超えたさらなる応用について簡単に論じる。

関連論文リスト

• Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
  我々は、古典因果探索アルゴリズムの出力からより大きな因果グラフを予測することを学ぶ教師付きモデルを訓練する。 我々のアプローチは、古典的手法の出力における典型的なエラーがデータセット間で比較できるという観察によって実現されている。 実データおよび合成データに関する実験では、このモデルが不特定性や分布シフトに直面して高い精度を維持することを示した。
  論文  参考訳（メタデータ） (2024-02-02T21:57:58Z)
• Towards Causal Foundation Model: on Duality between Causal Inference and Attention [18.046388712804042]
  治療効果推定のための因果認識基盤モデルの構築に向けて第一歩を踏み出す。 我々はCInA(Causal Inference with Attention)と呼ばれる新しい理論的に正当化された手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T22:28:34Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• 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)
• Context-Specific Causal Discovery for Categorical Data Using Staged Trees [2.9926023796813737]
  因果発見アルゴリズムは、観測データのみを用いた複雑な因果関係の解消を目的としている。 そこで我々は,複雑で非対称な因果関係を表現可能な木モデルに基づく新たな因果関係探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-08T14:46:15Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• 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)
• Inferring Individual Level Causal Models from Graph-based Relational Time Series [3.332377849866735]
  グラフに基づく関係時系列データに対する因果推論の問題を定式化する。 ノードの局所因果効果を正確に推定するために,グラフトポロジと時系列の両方を活用する因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-16T18:48:40Z)

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。