Fugu-MT 論文翻訳(概要): Reparametrization Invariance in non-parametric Causal Discovery

論文の概要: Reparametrization Invariance in non-parametric Causal Discovery

arxiv url: http://arxiv.org/abs/2008.05552v1
Date: Wed, 12 Aug 2020 20:00:47 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 04:45:20.974439
Title: Reparametrization Invariance in non-parametric Causal Discovery
Title（参考訳）: 非パラメトリック因果発見における再パラメータ化不変性
Authors: Martin J{\o}rgensen and S{\o}ren Hauberg
Abstract要約: 因果発見は、観測データを生成する基礎となる物理過程を推定する。この研究では、X と Y の間の因果関係は X と Y の辺分布に不変である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal discovery estimates the underlying physical process that generates the observed data: does X cause Y or does Y cause X? Current methodologies use structural conditions to turn the causal query into a statistical query, when only observational data is available. But what if these statistical queries are sensitive to causal invariants? This study investigates one such invariant: the causal relationship between X and Y is invariant to the marginal distributions of X and Y. We propose an algorithm that uses a non-parametric estimator that is robust to changes in the marginal distributions. This way we may marginalize the marginals, and inspect what relationship is intrinsically there. The resulting causal estimator is competitive with current methodologies and has high emphasis on the uncertainty in the causal query; an aspect just as important as the query itself.
Abstract（参考訳）: 因果発見は観測データを生成する物理過程を推定する: x は y を引き起こすか、y は x を引き起こすか? 現在の手法では、観測データのみが利用可能な場合、構造条件を用いて因果クエリを統計的クエリに変換する。しかし、これらの統計クエリが因果不変量に敏感な場合はどうだろう? 本研究では, X と Y の間の因果関係が X と Y の辺分布に不変であることを示す。このようにして、限界を疎外し、本質的にどのような関係があるのかを検査することができる。結果として生じる因果推定は、現在の方法論と競合し、因果クエリの不確実性に重点を置いている。

関連論文リスト

Reinterpreting causal discovery as the task of predicting unobserved joint statistics [15.088547731564782]
我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
論文参考訳（メタデータ） (2023-05-11T15:30:54Z)
Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
論文参考訳（メタデータ） (2023-05-09T09:08:39Z)
Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文参考訳（メタデータ） (2022-04-07T17:59:19Z)
Correcting Confounding via Random Selection of Background Variables [15.206717158865022]
本稿では,Y 上の X の回帰係数の安定性に基づいて因果関係を同定するための新しい基準を提案する。我々は、背景の影響に対する対称性の仮定の下で、V が 0 に収束することは X が因果因子を含まない場合に限り証明する。
論文参考訳（メタデータ） (2022-02-04T14:27:10Z)
Decoding Causality by Fictitious VAR Modeling [0.0]
まず, 虚ベクトル自己回帰モデルを用いて, 因果関係の平衡を設定した。平衡において、長期の関係はノイズから特定され、突発関係は無視的に0に近い。また、気候変動に対する因果要因の寄与を推定するためのアプローチも適用する。
論文参考訳（メタデータ） (2021-11-14T22:43:02Z)
Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文参考訳（メタデータ） (2021-10-13T22:30:47Z)
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文参考訳（メタデータ） (2021-06-14T17:52:49Z)
Counterfactual Invariance to Spurious Correlations: Why and How to Pass Stress Tests [87.60900567941428]
素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。因果推論ツールを用いたストレステストについて検討した。
論文参考訳（メタデータ） (2021-05-31T14:39:38Z)
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)
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)
Information-Theoretic Approximation to Causal Models [0.0]
有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。 X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
論文参考訳（メタデータ） (2020-07-29T18:34:58Z)

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。