論文の概要: Efficient Intervention Design for Causal Discovery with Latents
- arxiv url: http://arxiv.org/abs/2005.11736v2
- Date: Sun, 12 Jul 2020 16:53:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 13:33:43.322534
- Title: Efficient Intervention Design for Causal Discovery with Latents
- Title（参考訳）: 潜伏者による因果発見のための効率的な介入設計
- Authors: Raghavendra Addanki, Shiva Prasad Kasiviswanathan, Andrew McGregor,
Cameron Musco
- Abstract要約: 我々は、潜伏変数の存在下で因果グラフを復元することを検討する。
本研究では,(1)変数のサブセットに対する介入のコストが線形なモデルである線形コストモデルと,(2)介入のコストがどの変数であっても同一であるアイデンティティコストモデルとを考察する。
- 参考スコア（独自算出の注目度）: 30.721629140295178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider recovering a causal graph in presence of latent variables, where
we seek to minimize the cost of interventions used in the recovery process. We
consider two intervention cost models: (1) a linear cost model where the cost
of an intervention on a subset of variables has a linear form, and (2) an
identity cost model where the cost of an intervention is the same, regardless
of what variables it is on, i.e., the goal is just to minimize the number of
interventions. Under the linear cost model, we give an algorithm to identify
the ancestral relations of the underlying causal graph, achieving within a
$2$-factor of the optimal intervention cost. This approximation factor can be
improved to $1+\epsilon$ for any $\epsilon > 0$ under some mild restrictions.
Under the identity cost model, we bound the number of interventions needed to
recover the entire causal graph, including the latent variables, using a
parameterization of the causal graph through a special type of colliders. In
particular, we introduce the notion of $p$-colliders, that are colliders
between pair of nodes arising from a specific type of conditioning in the
causal graph, and provide an upper bound on the number of interventions as a
function of the maximum number of $p$-colliders between any two nodes in the
causal graph.
- Abstract（参考訳）: 我々は,潜在変数の存在下で因果グラフの回復を検討する。そこでは,回復プロセスで使用される介入のコストを最小限に抑えることを目指す。
本研究では,(1) 変数のサブセットに対する介入のコストが線形形式である線形コストモデル,(2) 介入のコストが同じであるアイデンティティコストモデル,すなわち,介入の回数を最小化することが目的である,という2つの介入コストモデルを考える。
線形コストモデルの下では、基礎となる因果グラフの祖先関係を同定するアルゴリズムを与え、最適な介入コストの2ドル以内に達成する。
この近似係数は、穏やかな制限の下で、任意の$\epsilon > 0$に対して1+\epsilon$に改善することができる。
同一性コストモデルの下では、特別なタイプの衝突型衝突型による因果グラフのパラメータ化を用いて、潜在変数を含む因果グラフ全体の回復に必要な介入の数を制限した。
特に、因果グラフ内の特定の種類の条件付けから生じる一対のノード間の衝突である$p$-collidersの概念を導入し、因果グラフ内の任意の2つのノード間で最大$p$-collidersの関数として介入の数の上界を提供する。
関連論文リスト
- Linear Causal Bandits: Unknown Graph and Soft Interventions [18.412177974475526]
因果バンディットのアルゴリズムを 設計するのは 2つの前提に依る
その一般的な形式、すなわち未知グラフと未知の介入モデルにおける問題は、まだ未解決のままである。
本稿は、この問題に対処し、N$ノードを持つグラフにおいて、最大$d$と最大$L$の因果経路長を持つグラフにおいて、$T$相互作用が後悔の上限スケールをラウンド化することを示す。
論文 参考訳（メタデータ） (2024-11-04T18:50:39Z) - Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。
近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。
非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
論文 参考訳（メタデータ） (2024-10-31T15:56:50Z) - Predicting perturbation targets with causal differential networks [23.568795598997376]
我々は、因果グラフを観察および介入データセットから推定するために、償却因果探索モデルを用いる。
我々は、これらのペアグラフを、教師付き学習フレームワークで介入された変数の集合にマッピングすることを学ぶ。
このアプローチは、7つのシングルセルトランスクリプトミクスデータセットの摂動モデリングのベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2024-10-04T12:48:21Z) - Adaptivity Complexity for Causal Graph Discovery [7.424262881242935]
本稿では,アルゴリズム設計者が合計$r$連続ラウンドで因果グラフを復元する,$r$適応性の問題を考察する。
我々は、検証数に関して$O(minr,log n cdot n1/minr,log n)$近似を達成する$r$適応アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-06-09T09:49:16Z) - 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) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Causal Bandits for Linear Structural Equation Models [58.2875460517691]
本稿では,因果図形モデルにおける最適な介入順序を設計する問題について検討する。
グラフの構造は知られており、ノードは$N$である。
頻繁性(UCBベース)とベイズ的設定に2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-26T16:21:31Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Intervention Efficient Algorithms for Approximate Learning of Causal
Graphs [22.401163479802094]
我々は、潜時の存在下で観察された変数の集合間の因果関係を学習する問題を研究する。
我々の目標は、介入の最小限の費用で、すべての因果関係や祖先関係の方向性を$G$で回収することです。
我々のアルゴリズムは効率的な介入設計と低コストな分離集合系の設計を組み合わせる。
論文 参考訳（メタデータ） (2020-12-27T17:08:46Z)
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。