論文の概要: Cycles in Causal Learning

• arxiv url: http://arxiv.org/abs/2007.12335v1
• Date: Fri, 24 Jul 2020 03:58:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 06:04:38.263934
• Title: Cycles in Causal Learning
• Title（参考訳）: 因果学習におけるサイクル
• Authors: Katie Everett, Ian Fischer
• Abstract要約: 我々は、介入の下流効果がソース変数に伝播するとき、サイクルがフィードバックループを引き起こすことを示す。 その結果,観測データから変数間の独立性が示唆される場合でも,周期的因果依存性が存在する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 8.797368310561058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the causal learning setting, we wish to learn cause-and-effect relationships between variables such that we can correctly infer the effect of an intervention. While the difference between a cyclic structure and an acyclic structure may be just a single edge, cyclic causal structures have qualitatively different behavior under intervention: cycles cause feedback loops when the downstream effect of an intervention propagates back to the source variable. We present three theoretical observations about probability distributions with self-referential factorizations, i.e. distributions that could be graphically represented with a cycle. First, we prove that self-referential distributions in two variables are, in fact, independent. Second, we prove that self-referential distributions in N variables have zero mutual information. Lastly, we prove that self-referential distributions that factorize in a cycle, also factorize as though the cycle were reversed. These results suggest that cyclic causal dependence may exist even where observational data suggest independence among variables. Methods based on estimating mutual information, or heuristics based on independent causal mechanisms, are likely to fail to learn cyclic casual structures. We encourage future work in causal learning that carefully considers cycles.
• Abstract（参考訳）: 因果学習では,介入の効果を正確に推測できるように,変数間の因果関係を学習したい。 循環構造と非循環構造の違いはただ一つの端に過ぎず、循環因果構造は介入中の質的に異なる振る舞いを持つ:サイクルは介入の下流効果がソース変数に伝播する際にフィードバックループを引き起こす。 自己回帰因子分解を伴う確率分布、すなわち周期でグラフィカルに表現できる分布に関する3つの理論的観測を行った。 まず、2変数の自己参照分布が実際に独立であることを証明する。 第二に、N変数の自己参照分布が相互情報ゼロであることを証明する。 最後に、サイクルで因果する自己回帰分布は、サイクルが反転したかのように因果化することも証明する。 これらの結果は,観測データから変数間の独立性が示唆される場合にも,循環因果依存性が存在することを示唆している。 相互情報、あるいは独立した因果メカニズムに基づくヒューリスティックを推定する手法は、周期的なカジュアル構造を学習できない傾向にある。 サイクルを慎重に検討する因果学習における今後の取り組みを奨励する。

関連論文リスト

• Everything that can be learned about a causal structure with latent variables by observational and interventional probing schemes [0.9217021281095907]
  2つの因果構造が同一のmDAG構造と関連付けられている場合、区別できないことが判明した。 また,ある因果構造が他の因果構造を支配下に置く場合の問題点についても考察する。
  論文  参考訳（メタデータ） (2024-07-01T18:01:07Z)
• 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)
• 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)
• Temporally Disentangled Representation Learning [14.762231867144065]
  下位の潜伏変数とその因果関係が任意の非パラメトリック因果関係を持つかどうかは不明である。 時間遅延因果変数を復元する基本フレームワークである textbftextttTDRL を提案する。 私たちのアプローチは、このモジュラー表現を正しく活用しない既存のベースラインをかなり上回ります。
  論文  参考訳（メタデータ） (2022-10-24T23:02:49Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• 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)
• Inferring Causal Direction from Observational Data: A Complexity Approach [0.3553493344868413]
  離散確率変数と連続確率変数のペアにおける原因と効果を区別するためのいくつかの基準を提案する。 本研究では,幅広い因果的メカニズムとノイズの種類に基づいて生成した合成データの基準値の精度を示す。
  論文  参考訳（メタデータ） (2020-10-12T12:10:37Z)
• Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism [2.28438857884398]
  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。
  論文  参考訳（メタデータ） (2020-07-17T08:18:19Z)
• 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)
• 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。