論文の概要: Reconciling Causality and Statistics

• arxiv url: http://arxiv.org/abs/2007.03940v2
• Date: Thu, 24 Sep 2020 07:27:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:41:40.924729
• Title: Reconciling Causality and Statistics
• Title（参考訳）: 因果関係と統計
• Authors: Pirmin Lemberger and Denis Oblin
• Abstract要約: 因果関係の質問は、多くの統計学者にとって大半がタブーのままだった。 本研究の目的は,そのアイデアと手法をコンパクトかつ自己完結した形で提示することである。
• 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: Statisticians have warned us since the early days of their discipline that experimental correlation between two observations by no means implies the existence of a causal relation. The question about what clues exist in observational data that could informs us about the existence of such causal relations is nevertheless more that legitimate. It lies actually at the root of any scientific endeavor. For decades however the only accepted method among statisticians to elucidate causal relationships was the so called Randomized Controlled Trial. Besides this notorious exception causality questions remained largely taboo for many. One reason for this state of affairs was the lack of an appropriate mathematical framework to formulate such questions in an unambiguous way. Fortunately thinks have changed these last years with the advent of the so called Causality Revolution initiated by Judea Pearl and coworkers. The aim of this pedagogical paper is to present their ideas and methods in a compact and self-contained fashion with concrete business examples as illustrations.
• Abstract（参考訳）: 統計学者は、この2つの観測の間の実験的な相関は、因果関係の存在を意味するものではないと警告している。 このような因果関係の存在を我々に知らせてくれる観察データには何の手がかりがあるのかという疑問はさらに正当である。 科学的な努力の根底にあるのです しかし、何十年もの間、統計学者の間で因果関係を解明する唯一の方法は、いわゆるランダム化制御裁判(Randomized Controlled Trial)であった。 この悪名高い例外因果関係の質問は、多くの人にとってタブーのままだった。 この状況の1つの理由は、そのような疑問を曖昧な方法で定式化するための適切な数学的枠組みが欠けていることである。 幸いなことに、judea pearl氏と同僚たちが始めたいわゆる因果革命の出現によって、この数年間は変化していると考えている。 本論文の目的は,具体的ビジネス事例をイラストとして,コンパクトかつ自己完結型にアイデアと手法を提示することである。

関連論文リスト

• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• New Rules for Causal Identification with Background Knowledge [59.733125324672656]
  オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。 これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-21T20:21:21Z)
• A Survey on Causal Discovery: Theory and Practice [2.741266294612776]
  因果推論は、原因とその影響を結びつける基礎となる関係を定量化するように設計されている。 本稿では,最近の進歩を統一的に検討し,既存のアルゴリズムを一貫した概要を提供し,有用なツールやデータを報告する。
  論文  参考訳（メタデータ） (2023-05-17T08:18:56Z)
• COLA: Contextualized Commonsense Causal Reasoning from the Causal Inference Perspective [38.49046289133713]
  本稿では、イベントシーケンス中の2つのイベント間のコモンセンス因果関係(コンテキスト)を検出するための新しいタスクを提案する。 因果推論の観点からタスクを解決するために、COLA(Contextualized Commonsense Causality Reasoner)というゼロショットフレームワークも設計しています。 大規模な実験により,COLAは基準線よりも高精度にコモンセンス因果性を検出することができた。
  論文  参考訳（メタデータ） (2023-05-09T05:56:58Z)
• 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)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• To do or not to do: finding causal relations in smart homes [2.064612766965483]
  本稿では,環境と観測データの混合実験から因果モデルを学ぶための新しい手法を提案する。 我々の手法の核心は、選択された介入の使用であり、特に、介入が不可能な変数を考慮に入れた学習である。 本手法をスマートホームシミュレーション,すなわち因果関係を知ることが説明可能なシステムへの道を開くユースケースに応用する。
  論文  参考訳（メタデータ） (2021-05-20T22:36:04Z)
• 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)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)
• Causal Relational Learning [29.082088734252213]
  因果的背景知識と仮定を捉えるために,CaRLという宣言型言語を提案する。 CaRLは、関係ドメインにおける複雑な介入の影響を因果関係と推論する基盤を提供する。
  論文  参考訳（メタデータ） (2020-04-07T18:33:05Z)

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。