論文の概要: Conditional independences and causal relations implied by sets of
equations
- arxiv url: http://arxiv.org/abs/2007.07183v2
- Date: Sun, 31 Jan 2021 17:37:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 13:41:32.354618
- Title: Conditional independences and causal relations implied by sets of
equations
- Title（参考訳）: 方程式の集合による条件独立性と因果関係
- Authors: Tineke Blom and Mirthe M. van Diepen and Joris M. Mooij
- Abstract要約: 我々はシモンの因果順序付けアルゴリズムを用いて因果順序付けグラフを構築する。
ある種の特異な可解性仮定の下で方程式に対する完全介入の効果を表現する。
このアプローチが既存の因果モデリングフレームワークの制約を明らかにし,対処する方法について論じる。
- 参考スコア（独自算出の注目度）: 1.847740135967371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world complex systems are often modelled by sets of equations with
endogenous and exogenous variables. What can we say about the causal and
probabilistic aspects of variables that appear in these equations without
explicitly solving the equations? We make use of Simon's causal ordering
algorithm (Simon, 1953) to construct a causal ordering graph and prove that it
expresses the effects of soft and perfect interventions on the equations under
certain unique solvability assumptions. We further construct a Markov ordering
graph and prove that it encodes conditional independences in the distribution
implied by the equations with independent random exogenous variables, under a
similar unique solvability assumption. We discuss how this approach reveals and
addresses some of the limitations of existing causal modelling frameworks, such
as causal Bayesian networks and structural causal models.
- Abstract（参考訳）: 実世界の複素系はしばしば内在変数と外因変数を持つ方程式の集合によってモデル化される。
方程式を明示的に解くことなく、これらの方程式に現れる変数の因果的・確率的側面について何を言えるか。
サイモンの因果順序付けアルゴリズム(simon, 1953)を用いて因果順序付けグラフを構築し、ある一意的な可解性仮定の下での方程式に対するソフトかつ完璧な介入の効果を証明した。
さらに、マルコフ順序グラフを構築し、同様の一意な可解性仮定の下で、独立な確率外在変数を持つ方程式によって暗示される分布の条件独立性を符号化する。
本稿では,因果ベイズネットワークや構造因果モデルなど,既存の因果モデリングフレームワークの制約をいかに明らかにし,対処するかを論じる。
関連論文リスト
- Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
構造学習問題を因果順序と各変数に対する因果順序を推定する親集合に分解する。
提案手法は, スケールフリーおよびエルドス・レーニグラフ構造を持つ非線形付加雑音ベンチマークのシミュレーションによる構造学習における最先端の手法である。
論文 参考訳（メタデータ） (2024-02-22T18:39:24Z) - 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) - Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳（メタデータ） (2023-10-26T14:01:17Z) - Axiomatization of Interventional Probability Distributions [4.02487511510606]
因果的介入は、do-calculusの規則の下で公理化される。
我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。
また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文 参考訳（メタデータ） (2023-05-08T06:07:42Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - 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) - 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) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
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。