論文の概要: Autoregressive flow-based causal discovery and inference
- arxiv url: http://arxiv.org/abs/2007.09390v2
- Date: Sun, 26 Jul 2020 21:34:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 05:15:12.115455
- Title: Autoregressive flow-based causal discovery and inference
- Title（参考訳）: 自己回帰フローに基づく因果発見と推論
- Authors: Ricardo Pio Monti, Ilyes Khemakhem, Aapo Hyvarinen
- Abstract要約: 自己回帰フローモデルは、様々な因果推論タスクを実行するのに適している。
自己回帰型アーキテクチャは、因果順序に類似した変数の順序を定義しているという事実を活用する。
本稿では, 自己回帰的流れを正しい因果順序で訓練することにより, 正確な介入予測と反事実予測を行うことができる, 合成データの例を示す。
- 参考スコア（独自算出の注目度）: 4.83420384410068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We posit that autoregressive flow models are well-suited to performing a
range of causal inference tasks - ranging from causal discovery to making
interventional and counterfactual predictions. In particular, we exploit the
fact that autoregressive architectures define an ordering over variables,
analogous to a causal ordering, in order to propose a single flow architecture
to perform all three aforementioned tasks. We first leverage the fact that flow
models estimate normalized log-densities of data to derive a bivariate measure
of causal direction based on likelihood ratios. Whilst traditional measures of
causal direction often require restrictive assumptions on the nature of causal
relationships (e.g., linearity),the flexibility of flow models allows for
arbitrary causal dependencies. Our approach compares favourably against
alternative methods on synthetic data as well as on the Cause-Effect Pairs
bench-mark dataset. Subsequently, we demonstrate that the invertible nature of
flows naturally allows for direct evaluation of both interventional and
counterfactual predictions, which require marginalization and conditioning over
latent variables respectively. We present examples over synthetic data where
autoregressive flows, when trained under the correct causal ordering, are able
to make accurate interventional and counterfactual predictions
- Abstract（参考訳）: 自己回帰的フローモデルは因果的発見から介入的および反事実的予測まで、様々な因果的推論タスクの実行に適していると仮定する。
特に,これら3つのタスクすべてを実行する単一フローアーキテクチャを提案するために,自動回帰アーキテクチャが因果順序に似た変数の順序付けを定義するという事実を利用する。
まず,フローモデルがデータの正規化ログ密度を推定し,確率比に基づく因果方向の双変量尺度を導出するという事実を生かした。
因果方向の伝統的な測度は因果関係の性質(例えば線形性)に制限的な仮定を必要とすることが多いが、フローモデルの柔軟性は任意の因果依存性を許容する。
提案手法は, 合成データに対する代替手法や, 因果効果ペアスベンチマークデータセットとの比較に好適である。
次いで, 流れの可逆性は, 潜伏変数に対するマージン化と条件付けを必要とする介入予測と反事実予測の両方を自然に直接評価できることを実証する。
本稿では, 自己回帰的流れを正しい因果順序で訓練することにより, 正確な介入予測, 対実予測を行う合成データの例を示す。
関連論文リスト
- Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
論文 参考訳（メタデータ） (2024-10-17T17:59:02Z) - Causality-oriented robustness: exploiting general additive interventions [3.871660145364189]
本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。
線形環境では、DRIGがデータ依存の分布シフトのクラスの中で頑健な予測を得られることを証明している。
我々は、予測性能をさらに向上させるために、半教師付きドメイン適応設定にアプローチを拡張した。
論文 参考訳（メタデータ） (2023-07-18T16:22:50Z) - Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳（メタデータ） (2023-07-12T15:39:39Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - 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) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Causal Autoregressive Flows [4.731404257629232]
自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。
我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
論文 参考訳（メタデータ） (2020-11-04T13:17:35Z) - 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)
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。