論文の概要: Robust Identifiability in Linear Structural Equation Models of Causal Inference

• arxiv url: http://arxiv.org/abs/2007.06869v1
• Date: Tue, 14 Jul 2020 07:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 13:23:03.047797
• Title: Robust Identifiability in Linear Structural Equation Models of Causal Inference
• Title（参考訳）: 因果推論の線形構造方程式モデルにおけるロバスト同定可能性
• Authors: Karthik Abinav Sankararaman, Anand Louis, Navin Goyal
• Abstract要約: 線形構造方程式モデル(LSEM)の文脈における観測データからのロバストパラメータ推定の問題点を考察する。 本研究では、ロバストな識別性が保たれるモデルパラメータの条件を提案し、これにより、先行作業に必要なパスの制限を除去する。
• 参考スコア（独自算出の注目度）: 14.631031307379931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we consider the problem of robust parameter estimation from observational data in the context of linear structural equation models (LSEMs). LSEMs are a popular and well-studied class of models for inferring causality in the natural and social sciences. One of the main problems related to LSEMs is to recover the model parameters from the observational data. Under various conditions on LSEMs and the model parameters the prior work provides efficient algorithms to recover the parameters. However, these results are often about generic identifiability. In practice, generic identifiability is not sufficient and we need robust identifiability: small changes in the observational data should not affect the parameters by a huge amount. Robust identifiability has received far less attention and remains poorly understood. Sankararaman et al. (2019) recently provided a set of sufficient conditions on parameters under which robust identifiability is feasible. However, a limitation of their work is that their results only apply to a small sub-class of LSEMs, called ``bow-free paths.'' In this work, we significantly extend their work along multiple dimensions. First, for a large and well-studied class of LSEMs, namely ``bow free'' models, we provide a sufficient condition on model parameters under which robust identifiability holds, thereby removing the restriction of paths required by prior work. We then show that this sufficient condition holds with high probability which implies that for a large set of parameters robust identifiability holds and that for such parameters, existing algorithms already achieve robust identifiability. Finally, we validate our results on both simulated and real-world datasets.
• Abstract（参考訳）: 本研究では,線形構造方程式モデル(LSEM)の文脈における観測データからのロバストパラメータ推定の問題について考察する。 LSEMは、自然科学と社会科学の因果関係を推定するための、人気がありよく研究されているモデルのクラスである。 LSEMに関連する主な問題の1つは、観測データからモデルパラメータを復元することである。 LSEMとモデルパラメータの様々な条件の下で、先行研究はパラメータを復元する効率的なアルゴリズムを提供する。 しかし、これらの結果はしばしば汎用的な識別可能性に関するものである。 実際には、一般的な識別性は十分ではなく、堅牢な識別性が必要であり、観測データの小さな変化はパラメータに多大な影響を及ぼすべきではない。 ロバストな識別性は、はるかに少ない注目を受けており、まだ理解されていない。 sankararaman et al. (2019) は最近、ロバストな識別性が実現可能なパラメータに関する十分条件のセットを提供した。 しかしながら、彼らの研究の限界は、それらの結果は ``bow-free paths と呼ばれるLSEMの小さなサブクラスにのみ適用されることである。 「'この作業では、複数の次元に沿って作業を大幅に拡張します。 まず,大規模かつ十分に検討されたlsemsクラス,すなわち`bow free''モデルに対して,ロバスト識別性が保持するモデルパラメータに関する十分な条件を提供し,事前作業に必要なパスの制限を解消する。 次に,この十分条件が高い確率で保持されることを示すことにより,頑健な識別可能性の大きい集合に対して,既存のアルゴリズムが既に頑健な識別可能性を達成していることを示す。 最後に、シミュレーションと実世界の両方のデータセットで結果を検証する。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• On the Parameter Identifiability of Partially Observed Linear Causal Models [23.08796869216895]
  因果構造と部分的に観察されたデータからエッジ係数を復元できるかどうかを検討する。 部分的に観察された線形因果モデルにおいて,パラメータの非決定性は3種類ある。 本稿では,潜伏変数の分散不確定性に特定の方法で対処する,確率に基づくパラメータ推定手法を提案する。
  論文  参考訳（メタデータ） (2024-07-24T03:43:55Z)
• Uncertainty modeling for fine-tuned implicit functions [10.902709236602536]
  入射関数は、スパースビューから詳細な物体形状を再構成するコンピュータビジョンにおいて重要な役割を担っている。 暗黙関数における不確実性推定手法であるDropsemblesを導入する。 その結果,Dropsemblesは深層アンサンブルの精度とキャリブレーションレベルを達成するが,計算コストは著しく低いことがわかった。
  論文  参考訳（メタデータ） (2024-06-17T20:46:18Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Beyond Convergence: Identifiability of Machine Learning and Deep Learning Models [0.0]
  本研究では,モデルパラメータ識別可能性の概念を,モーションセンサデータからのパラメータ推定に焦点をあてたケーススタディにより検討する。 我々は、質量、剛性、平衡脚長などの主観的パラメータを推定するために、ディープニューラルネットワークを用いる。 その結果、観測データから特定のパラメータを特定できるが、他のパラメータは未同定のままであることがわかった。
  論文  参考訳（メタデータ） (2023-07-21T03:40:53Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
  現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。 これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。 我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
  論文  参考訳（メタデータ） (2022-11-28T17:41:48Z)
• Learning Hidden Markov Models When the Locations of Missing Observations are Unknown [54.40592050737724]
  本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。 我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。 適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
  論文  参考訳（メタデータ） (2022-03-12T22:40:43Z)
• On Linear Identifiability of Learned Representations [26.311880922890843]
  表現学習の文脈における識別可能性について検討する。 微分モデルの大きな族は、函数空間において、線形不確定性まで識別可能であることを示す。 我々は,線形識別可能性の十分な条件を導出し,実世界のシミュレーションデータと実世界のデータの両方で結果に対する実証的支援を提供する。
  論文  参考訳（メタデータ） (2020-07-01T23:33:37Z)

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。