論文の概要: p-d-Separation -- A Concept for Expressing Dependence/Independence Relations in Causal Networks

• arxiv url: http://arxiv.org/abs/2006.09196v1
• Date: Mon, 15 Jun 2020 09:30:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 04:27:12.176086
• Title: p-d-Separation -- A Concept for Expressing Dependence/Independence Relations in Causal Networks
• Title（参考訳）: p-d-セパレーション -- 因果ネットワークにおける依存/独立関係を表現する概念
• Authors: Mieczys{\l}aw A. K{\l}opotek
• Abstract要約: p-d-分離(部分依存性分離)の概念を利用してパールd-分離の導出を証明する。 また、利用可能な独立情報を含む有向非巡回グラフ(ダグ)を全て構築するためのアルゴリズムも提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spirtes, Glymour and Scheines formulated a Conjecture that a direct dependence test and a head-to-head meeting test would suffice to construe directed acyclic graph decompositions of a joint probability distribution (Bayesian network) for which Pearl's d-separation applies. This Conjecture was later shown to be a direct consequence of a result of Pearl and Verma. This paper is intended to prove this Conjecture in a new way, by exploiting the concept of p-d-separation (partial dependency separation). While Pearl's d-separation works with Bayesian networks, p-d-separation is intended to apply to causal networks: that is partially oriented networks in which orientations are given to only to those edges, that express statistically confirmed causal influence, whereas undirected edges express existence of direct influence without possibility of determination of direction of causation. As a consequence of the particular way of proving the validity of this Conjecture, an algorithm for construction of all the directed acyclic graphs (dags) carrying the available independence information is also presented. The notion of a partially oriented graph (pog) is introduced and within this graph the notion of p-d-separation is defined. It is demonstrated that the p-d-separation within the pog is equivalent to d-separation in all derived dags.
• Abstract（参考訳）: Spirtes, Glymour and Scheines は、パールのd-分離が適用される結合確率分布(ベイジアンネットワーク)の非巡回グラフ分解を、直接依存テストと頭対頭ミーティングテストで解釈するのに十分であるという結論を定式化した。 この導出は後にパールとヴェルマの結果の直接の結果であることが判明した。 本稿では, p-d-分離(部分依存分離)の概念を生かして, この予想を新たな方法で証明することを目的としている。 パールのd分離はベイズネットワークで機能するが、p-d分離は因果ネットワークに適用することを目的としている:すなわち、向き付けがそれらの辺のみに与えられ、統計的に確認された因果影響を表す部分指向ネットワークである。 この導出の妥当性を証明する特定の方法の結果として、利用可能な独立情報を含む有向非巡回グラフ(ダグ)を全て構築するためのアルゴリズムも提示される。 部分指向グラフ(pog)の概念が導入され、このグラフ内では p-d-分離の概念が定義される。 pog内のp-d分離は、すべての派生dagのd分離と同値であることが示されている。

関連論文リスト

• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Partial Disentanglement via Mechanism Sparsity [25.791043728989937]
  メカニズムの疎性による絡み合いは、監督なしで潜伏要因を抽出する原則的アプローチとして導入された。 我々は、この理論の一般化を導入し、任意の基底真実グラフに適用する。 我々は、一貫性と呼ばれるモデルに対する新しい同値関係を通じて、学習された表現がいかに無関係になるかを示す。
  論文  参考訳（メタデータ） (2022-07-15T20:06:12Z)
• The d-separation criterion in Categorical Probability [0.0]
  d-分離基準は、特定の条件独立性を通して有向非巡回グラフとの結合確率分布の整合性を検出する。 この研究は因果モデルのカテゴリー的定義、d-分離のカテゴリー的概念を導入し、d-分離基準の抽象的なバージョンを証明した。
  論文  参考訳（メタデータ） (2022-07-12T17:58:31Z)
• Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
  我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。 本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
  論文  参考訳（メタデータ） (2022-01-21T18:05:00Z)
• Cycle Consistent Probability Divergences Across Different Spaces [38.43511529063335]
  確率分布の相違は、統計的推測と機械学習の核心にある。 本研究は, 異方性, 異方性, 異方性, 異なる空間上の分布をマッチングするための, アンバランスなモンジュ最適輸送定式化を提案する。
  論文  参考訳（メタデータ） (2021-11-22T16:35:58Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• 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)
• Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
  本稿では,潜在不整合表現の変動予測可能性について述べる。 逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。 本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
  論文  参考訳（メタデータ） (2020-07-25T08:54:26Z)
• Bayesian network structure learning with causal effects in the presence of latent variables [6.85316573653194]
  本稿では,cFCIの制約に基づく部分とスコアに基づく学習を組み合わせた,CCHMと呼ばれるハイブリッド構造学習アルゴリズムについて述べる。 ランダム化されたネットワークとよく知られたネットワークの両方に基づく実験により、CCHMは真の祖先グラフの再構築の観点から最先端の改善を図っている。
  論文  参考訳（メタデータ） (2020-05-29T04:42:28Z)

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。