論文の概要: Causal Feature Selection via Orthogonal Search

• arxiv url: http://arxiv.org/abs/2007.02938v3
• Date: Sat, 17 Sep 2022 01:10:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 02:19:54.086247
• Title: Causal Feature Selection via Orthogonal Search
• Title（参考訳）: 直交探索による因果特徴選択
• Authors: Ashkan Soleymani, Anant Raj, Stefan Bauer, Bernhard Sch\"olkopf and Michel Besserve
• Abstract要約: 応答変数の直接因果親を見つけるために,1-vs.-the-rest特徴選択手法を提案する。 本稿では,理論的な保証を提供しながら,純粋に観測データを扱うアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 30.120592913076198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of inferring the direct causal parents of a response variable among a large set of explanatory variables is of high practical importance in many disciplines. However, established approaches often scale at least exponentially with the number of explanatory variables, are difficult to extend to nonlinear relationships, and are difficult to extend to cyclic data. Inspired by {\em Debiased} machine learning methods, we study a one-vs.-the-rest feature selection approach to discover the direct causal parent of the response. We propose an algorithm that works for purely observational data while also offering theoretical guarantees, including the case of partially nonlinear relationships possibly under the presence of cycles. As it requires only one estimation for each variable, our approach is applicable even to large graphs. We demonstrate significant improvements compared to established approaches.
• Abstract（参考訳）: 多数の説明変数の中で応答変数の直接因果親を推測する問題は、多くの分野において実践的に重要である。 しかし、確立されたアプローチは、説明変数の数で少なくとも指数関数的にスケールし、非線形関係への拡張が困難であり、循環データへの拡張が困難である。 機械学習手法に触発されて、我々は1-vsの研究を行う。 -応答の直接因果親を見つけるためのrest機能選択アプローチ。 本稿では,周期の存在下での非線形関係を含む理論的な保証も提供しながら,純粋に観測データを扱うアルゴリズムを提案する。 各変数に対して1つの推定しか必要としないため、我々のアプローチは大きなグラフにも適用できる。 確立されたアプローチと比較して,大幅な改善が示された。

関連論文リスト

• Learning Directed Acyclic Graphs from Partial Orderings [9.387234607473054]
  有向非巡回グラフ(DAG)は、確率変数間の因果関係をモデル化するために一般的に用いられる。 本稿では,変数の部分的因果順序付けが可能である場合のDAG学習の中間的問題について考察する。 低次元および高次元問題に対する部分順序付けと効率的な推定アルゴリズムを活用するための一般的な推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T06:14:50Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• 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)
• Causal discovery under a confounder blanket [9.196779204457059]
  観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。 これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。 これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-11T18:10:45Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• 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)
• Nonlinear Invariant Risk Minimization: A Causal Approach [5.63479133344366]
  非線形環境下での分布外一般化を可能にする学習パラダイムを提案する。 我々は、非常に単純な変換までデータ表現の識別性を示す。 合成データと実世界のデータセットの両方に関する広範な実験は、我々のアプローチが様々なベースラインメソッドを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2021-02-24T15:38:41Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)

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。