論文の概要: Discovering Reliable Causal Rules
- arxiv url: http://arxiv.org/abs/2009.02728v2
- Date: Tue, 8 Sep 2020 07:53:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 07:56:29.665964
- Title: Discovering Reliable Causal Rules
- Title(参考訳): 信頼できる因果ルールの発見
- Authors: Kailash Budhathoki, Mario Boley and Jilles Vreeken
- Abstract要約: 我々は、複雑なシステムで実行された場合、望ましい結果をもたらすポリシーや規則を導出する問題を調査する。
観察効果は、しばしば原因となる因果効果を表わさない。
本稿では,因果効果の保守的かつ一貫した推定器を提案し,推定器を最大化する効率的かつ正確なアルゴリズムを導出する。
- 参考スコア(独自算出の注目度): 27.221938979891384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of deriving policies, or rules, that when enacted on a
complex system, cause a desired outcome. Absent the ability to perform
controlled experiments, such rules have to be inferred from past observations
of the system's behaviour. This is a challenging problem for two reasons:
First, observational effects are often unrepresentative of the underlying
causal effect because they are skewed by the presence of confounding factors.
Second, naive empirical estimations of a rule's effect have a high variance,
and, hence, their maximisation can lead to random results.
To address these issues, first we measure the causal effect of a rule from
observational data---adjusting for the effect of potential confounders.
Importantly, we provide a graphical criteria under which causal rule discovery
is possible. Moreover, to discover reliable causal rules from a sample, we
propose a conservative and consistent estimator of the causal effect, and
derive an efficient and exact algorithm that maximises the estimator. On
synthetic data, the proposed estimator converges faster to the ground truth
than the naive estimator and recovers relevant causal rules even at small
sample sizes. Extensive experiments on a variety of real-world datasets show
that the proposed algorithm is efficient and discovers meaningful rules.
- Abstract(参考訳): 我々は、複雑なシステムで実行された場合、望ましい結果をもたらすポリシーや規則を導出する問題を調査する。
制御された実験を行う能力がないため、そのようなルールはシステムの振る舞いの過去の観察から推測される必要がある。
これは2つの理由において難しい問題である: 第一に、観察効果は、しばしば、因果効果を表わさない。
第二に、ある規則の効果の単純な経験的推定は高い分散を持ち、従ってそれらの最大化はランダムな結果をもたらす。
これらの問題に対処するために、まず、観察データからルールの因果効果を測定する。
重要なことは、因果規則発見が可能なグラフィカルな基準を提供する。
さらに, サンプルから信頼性の高い因果関係を推定するために, 因果関係の保守的かつ一貫した推定器を提案し, 推定器を最大化する効率的かつ正確なアルゴリズムを導出する。
合成データでは,提案した推定器は実測値よりも地上の真理に早く収束し,小さなサンプルサイズでも関連する因果規則を復元する。
様々な実世界のデータセットに対する大規模な実験は、提案アルゴリズムが効率的で有意義なルールを発見することを示している。
関連論文リスト
- Approximate Causal Effect Identification under Weak Confounding [13.552959043816482]
因果効果の上下境界を導出する効率的な線形プログラムを提案する。
我々の境界は、観測されていない共同設立者のエントロピーがゼロになるにつれて、上界と下界の間のギャップが消えるという意味で一貫していることが示される。
論文 参考訳(メタデータ) (2023-06-22T23:35:49Z) - Falsification before Extrapolation in Causal Effect Estimation [6.715453431174765]
個体群における因果関係は、しばしば観測データを用いて推定される。
本稿では,偏りのある観測推定を拒否するメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-09-27T21:47:23Z) - Valid Inference after Causal Discovery [95.20382312836541]
我々は、因果関係発見後の推論に有効なツールを開発する。
因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
論文 参考訳(メタデータ) (2022-08-11T17:40:45Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳(メタデータ) (2022-06-04T22:38:57Z) - What's the Harm? Sharp Bounds on the Fraction Negatively Affected by
Treatment [58.442274475425144]
我々は,これらの関数がどの程度の速さで学習されたかに関わらず,効率の良い頑健な推論アルゴリズムを開発した。
シミュレーション研究および失業者のキャリアカウンセリングのケーススタディにおいて,本手法を実証する。
論文 参考訳(メタデータ) (2022-05-20T17:36:33Z) - Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。
変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T13:46:12Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-28T11:07:59Z) - 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 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) - 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) - Causal query in observational data with hidden variables [0.0]
本研究では、局所探索を用いて、観測データから因果効果を推定するための調整変数のスーパーセットを求める定理を開発する。
開発した定理に基づいて,因果クエリのためのデータ駆動型アルゴリズムを提案する。
実験により,提案アルゴリズムは隠れ変数を持つ既存のデータ駆動因果効果推定法よりも高速で,因果効果を推定できることがわかった。
論文 参考訳(メタデータ) (2020-01-28T11:23:26Z)
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。