論文の概要: Necessary and sufficient conditions for causal feature selection in time
series with latent common causes
- arxiv url: http://arxiv.org/abs/2005.08543v3
- Date: Thu, 22 Oct 2020 08:16:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 00:06:15.866893
- Title: Necessary and sufficient conditions for causal feature selection in time
series with latent common causes
- Title(参考訳): 潜在共通要因を有する時系列における因果特徴選択に必要な十分条件
- Authors: Atalanti A. Mastakouri, Bernhard Sch\"olkopf, Dominik Janzing
- Abstract要約: 本研究では,時系列上での直接的および間接的原因の同定と潜伏変数の存在条件について検討する。
我々の理論的結果と推定アルゴリズムは、観測された各時系列に対して2つの条件付き独立性テストを必要とする。
以上の結果から,本手法は偽陽性率が非常に低く,偽陰性率も比較的低く,広範に用いられているGranger因果性よりも優れていたことが示唆された。
- 参考スコア(独自算出の注目度): 20.43839998570287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the identification of direct and indirect causes on time series and
provide conditions in the presence of latent variables, which we prove to be
necessary and sufficient under some graph constraints. Our theoretical results
and estimation algorithms require two conditional independence tests for each
observed candidate time series to determine whether or not it is a cause of an
observed target time series. We provide experimental results in simulations, as
well as real data. Our results show that our method leads to very low false
positives and relatively low false negative rates, outperforming the widely
used Granger causality.
- Abstract(参考訳): 時系列における直接的および間接的原因の同定と潜在変数の存在下での条件について検討し,いくつかのグラフ制約下で必要十分であることが証明された。
我々の理論結果と推定アルゴリズムは, 観測対象時系列の原因であるか否かを判定するために, 観測対象時系列毎に2つの条件独立性テストを必要とする。
実データと同様にシミュレーションでの実験結果を提供する。
以上の結果より,本手法は極めて低い偽陽性率と比較的低い偽陰性率をもたらすことが示唆された。
関連論文リスト
- Self-Compatibility: Evaluating Causal Discovery without Ground Truth [0.0]
本研究では,基底真理が存在しない場合に因果発見アルゴリズムの出力をfalsificationする新しい手法を提案する。
我々の重要な洞察は、統計的学習がデータポイントのサブセット間の安定性を求める一方で、因果学習は変数のサブセット間の安定性を求めるべきであるということである。
本研究では,不整合性の検出が,仮定や誤差が有限なサンプル効果によって誤って因果関係を推定することを証明する。
論文 参考訳(メタデータ) (2023-07-18T18:59:42Z) - Ensembled Prediction Intervals for Causal Outcomes Under Hidden
Confounding [49.1865229301561]
本稿では,既存の因果感受性モデルを用いた部分同定手法を提案し,Caus-Modensがより厳密な結果区間を与えることを示す。
3つの異なるベンチマークのうち最後のものは、未知だが探究可能な基底真理を持つ観測実験にGPT-4を新たに使用することである。
論文 参考訳(メタデータ) (2023-06-15T21:42:40Z) - 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) - Adaptive Sequential Surveillance with Network and Temporal Dependence [1.7205106391379026]
戦略的なテストアロケーションは、パンデミックと既存のパンデミックの両方のコントロールにおいて重要な役割を果たしている。
感染症の監視は、ユニークな統計上の課題を提示する。
適応型シーケンシャル監視のためのオンライン・スーパーラーナーを提案する。
論文 参考訳(メタデータ) (2022-12-05T17:04:17Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - 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) - Identifiability of Sparse Causal Effects using Instrumental Variables [5.368313160283353]
弱条件下では因果係数が識別可能であることが証明され、因果関係の親の数と同じくらい楽器の数が小さいモデルでも特定できる。
推定器として spaceIV を提案し,モデルが同定可能であれば因果効果を常に推定し,その性能をシミュレーションデータ上で評価する。
論文 参考訳(メタデータ) (2022-03-17T15:15:52Z) - Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。
我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。
我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文 参考訳(メタデータ) (2021-07-05T21:05:11Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-28T11:07:59Z) - 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。