Fugu-MT 論文翻訳(概要): Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism

論文の概要: Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism

arxiv url: http://arxiv.org/abs/2007.08812v1
Date: Fri, 17 Jul 2020 08:18:19 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 13:31:37.415739
Title: Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism
Title（参考訳）: 原因・メカニズムの独立性に基づく因果推論における先行要因としての潜在機器変数
Authors: Nataliya Sokolovska (SU), Pierre-Henri Wuillemin
Abstract要約: 因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。 2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
参考スコア（独自算出の注目度）: 2.28438857884398
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal inference methods based on conditional independence construct Markov equivalent graphs, and cannot be applied to bivariate cases. The approaches based on independence of cause and mechanism state, on the contrary, that causal discovery can be inferred for two observations. In our contribution, we challenge to reconcile these two research directions. We study the role of latent variables such as latent instrumental variables and hidden common causes in the causal graphical structures. We show that the methods based on the independence of cause and mechanism, indirectly contain traces of the existence of the hidden instrumental variables. We derive a novel algorithm to infer causal relationships between two variables, and we validate the proposed method on simulated data and on a benchmark of cause-effect pairs. We illustrate by our experiments that the proposed approach is simple and extremely competitive in terms of empirical accuracy compared to the state-of-the-art methods.
Abstract（参考訳）: 条件独立性に基づく因果推論法はマルコフ同値グラフを構成し、二変量体には適用できない。原因と機構状態の独立に基づくアプローチとは対照的に、因果発見は2つの観測のために推測可能である。我々はこの2つの研究方向の和解に挑戦する。本研究では, 潜在変数や隠れた共通要因といった潜在変数の役割を, 因果的グラフィカル構造において検討する。本研究では,原因とメカニズムの独立性に基づく手法が,隠れた楽器変数の存在の痕跡を間接的に含んでいることを示す。 2つの変数間の因果関係を推定する新しいアルゴリズムを導出し,提案手法をシミュレーションデータと因果効果ペアのベンチマークで検証した。実験により,提案手法は,最先端手法と比較して,経験的精度の点で単純かつ極めて競合的であることを示す。

関連論文リスト

Measuring the Reliability of Causal Probing Methods: Tradeoffs, Limitations, and the Plight of Nullifying Interventions [3.173096780177902]
因果探索は、大きな言語モデルのような基礎モデルを理解するためのアプローチである。本稿では、因果探索介入の信頼性を評価するための一般的な実証分析フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-28T03:45:49Z)
Score matching through the roof: linear, nonlinear, and latent variables causal discovery [18.46845413928147]
観測データからの因果発見は、非常に有望である。既存の手法は根底にある因果構造に関する強い仮定に依存している。線形・非線形・潜在変数モデルにまたがる因果探索のためのフレキシブルアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-26T14:09:06Z)
A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
論文参考訳（メタデータ） (2024-03-13T08:40:49Z)
Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文参考訳（メタデータ） (2023-08-15T01:23:42Z)
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)
Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2022-08-30T11:12:59Z)
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 Inference in Geoscience and Remote Sensing from Observational Data [9.800027003240674]
経験的データの有限集合を用いて、因果関係の正しい方向を推定する。我々は28の地球科学因果推論問題の集合でパフォーマンスを示す。この基準はあらゆるケースで最先端の検出率を達成するが、一般的にノイズ源や歪みに対して堅牢である。
論文参考訳（メタデータ） (2020-12-07T22:56:55Z)
Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文参考訳（メタデータ） (2020-11-04T10:00:27Z)
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。