論文の概要: Active Invariant Causal Prediction: Experiment Selection through
Stability
- arxiv url: http://arxiv.org/abs/2006.05690v3
- Date: Wed, 3 Nov 2021 11:50:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 06:08:48.188326
- Title: Active Invariant Causal Prediction: Experiment Selection through
Stability
- Title(参考訳): アクティブ不変因果予測:安定性による実験選択
- Authors: Juan L. Gamella and Christina Heinze-Deml
- Abstract要約: 本研究では、不変因果予測(ICP)に基づく新しい能動学習(実験選択)フレームワーク(A-ICP)を提案する。
一般的な構造因果モデルでは、いわゆる安定集合に対する介入の効果を特徴づける。
本稿では,A-ICPの介入選択ポリシーを提案し,因果グラフにおける応答変数の直接原因を素早く明らかにする。
実験により, 人口および有限登録実験において提案した政策の有効性を実証的に分析した。
- 参考スコア(独自算出の注目度): 4.56877715768796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A fundamental difficulty of causal learning is that causal models can
generally not be fully identified based on observational data only.
Interventional data, that is, data originating from different experimental
environments, improves identifiability. However, the improvement depends
critically on the target and nature of the interventions carried out in each
experiment. Since in real applications experiments tend to be costly, there is
a need to perform the right interventions such that as few as possible are
required. In this work we propose a new active learning (i.e. experiment
selection) framework (A-ICP) based on Invariant Causal Prediction (ICP) (Peters
et al., 2016). For general structural causal models, we characterize the effect
of interventions on so-called stable sets, a notion introduced by (Pfister et
al., 2019). We leverage these results to propose several intervention selection
policies for A-ICP which quickly reveal the direct causes of a response
variable in the causal graph while maintaining the error control inherent in
ICP. Empirically, we analyze the performance of the proposed policies in both
population and finite-regime experiments.
- Abstract(参考訳): 因果学習の基本的な難点は、因果モデルが一般に観測データのみに基づいて完全に同定できないことである。
介入データは、異なる実験環境に由来するデータであり、識別性が向上する。
しかし,その改善は,各実験における介入の目的と性質に大きく依存する。
実際のアプリケーションでは、実験はコストがかかる傾向があるため、可能な限り少ない介入を必要とするような適切な介入を行う必要がある。
本研究では,不変因果予測に基づく新しいアクティブラーニング(実験選択)フレームワーク(a-icp)を提案する(peters et al., 2016)。
一般的な構造因果モデルでは、(Pfister et al., 2019)によって導入された概念である、いわゆる安定集合に対する介入の効果を特徴付ける。
これらの結果を利用して、ICP固有のエラー制御を維持しつつ、因果グラフにおける応答変数の直接原因を迅速に明らかにする、A-ICPの介入選択ポリシーを提案する。
実験により, 人口および有限登録実験において提案した政策の有効性を実証的に分析した。
関連論文リスト
- Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
本研究では,ラベル付き類似実験を微調整した予測モデルを用いて,ラベル付き実結果を用いた対象実験の因果推論に焦点をあてる。
まず,経験的リスク最小化(ERM)による実結果推定は,対象個体群に対して有効な因果推論を導出できない可能性があることを示す。
本稿では,実証的リスク最小化法(DEM)を提案する。
論文 参考訳(メタデータ) (2025-02-10T10:52:17Z) - Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [15.105594376616253]
非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。
非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。
我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
論文 参考訳(メタデータ) (2024-11-25T12:08:54Z) - Identification of Single-Treatment Effects in Factorial Experiments [0.0]
実験において複数の介入がランダム化されている場合、実験環境外において単一の介入が与える影響は、不在の英雄的仮定とは見なされないことを示す。
観測研究と要因実験は、ゼロおよび複数介入による潜在的アウトカム分布に関する情報を提供する。
この種の設計に頼っている研究者は、関数形式の線形性を正当化するか、あるいはDirected Acyclic Graphsで変数が実世界でどのように関連しているかを特定する必要がある。
論文 参考訳(メタデータ) (2024-05-16T04:01:53Z) - Invariant Causal Prediction with Local Models [52.161513027831646]
観測データから対象変数の因果親を特定するタスクについて検討する。
L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
論文 参考訳(メタデータ) (2024-01-10T15:34:42Z) - Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。
このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。
本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
論文 参考訳(メタデータ) (2023-11-09T11:29:44Z) - Principles from Clinical Research for NLP Model Generalization [10.985226652193543]
一般化可能性の基礎を探求し、それに影響を与える要因について検討する。
関係抽出タスクにおけるエンティティ間の距離などの学習がモデルの内部妥当性にどのように影響するかを示す。
論文 参考訳(メタデータ) (2023-11-07T02:17:25Z) - 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) - 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) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳(メタデータ) (2022-06-03T16:25:48Z) - Variance Minimization in the Wasserstein Space for Invariant Causal
Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。
これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。
我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文 参考訳(メタデータ) (2021-10-13T22:30:47Z)
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。