論文の概要: Causal Clustering for 1-Factor Measurement Models on Data with Various
Types
- arxiv url: http://arxiv.org/abs/2009.08606v1
- Date: Fri, 18 Sep 2020 03:15:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 02:23:13.184002
- Title: Causal Clustering for 1-Factor Measurement Models on Data with Various
Types
- Title(参考訳): 各種データを用いた1要素計測モデルの因果クラスタリング
- Authors: Shuyan Wang
- Abstract要約: テトラド制約は、FOFCのような潜伏変数の存在を検出する因果探索アルゴリズムを設計するために用いられる。
本稿では, 測定変数が混合データ型である場合, テトラド制約も適用可能であることを示す。
混合データに対するFOFCの性能はシミュレーション研究によって示され、類似した機能を持つアルゴリズムと比較される。
- 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: The tetrad constraint is a condition of which the satisfaction signals a rank
reduction of a covariance submatrix and is used to design causal discovery
algorithms that detects the existence of latent (unmeasured) variables, such as
FOFC. Initially such algorithms only work for cases where the measured and
latent variables are all Gaussian and have linear relations (Gaussian-Gaussian
Case). It has been shown that a unidimentional latent variable model implies
tetrad constraints when the measured and latent variables are all binary
(Binary-Binary case). This paper proves that the tetrad constraint can also be
entailed when the measured variables are of mixed data types and when the
measured variables are discrete and the latent common causes are continuous,
which implies that any clustering algorithm relying on this constraint can work
on those cases. Each case is shown with an example and a proof. The performance
of FOFC on mixed data is shown by simulation studies and is compared with some
algorithms with similar functions.
- Abstract(参考訳): テトラッド制約は、満足度が共分散部分行列の階数減少を示唆する条件であり、fofcのような潜在(未測定)変数の存在を検出する因果発見アルゴリズムの設計に使用される。
当初そのようなアルゴリズムは、測定変数と潜在変数がすべてガウス型で線形関係を持つ場合のみ動作する(ガウス型-ガウス型の場合)。
一様潜在変数モデル(英: unidimentional latent variable model)は、測定値と潜在変数がすべて二項であるときの四項制約を意味することが示されている(Binary-Binary case)。
本稿では,計測された変数が混合データ型である場合や,測定変数が離散的かつ潜在的な共通原因が連続している場合においても,テトラッド制約が伴うことを証明した。
それぞれのケースは例と証明で示されます。
混合データに対するFOFCの性能はシミュレーション研究によって示され、類似した機能を持つアルゴリズムと比較される。
関連論文リスト
- Learning Discrete Latent Variable Structures with Tensor Rank Conditions [30.292492090200984]
観測されていない離散データは、多くの科学分野においてユビキタスであり、これらの潜伏変数の因果構造を学習する方法は、データパターンを明らかにするために不可欠である。
ほとんどの研究は線形潜在変数モデルに焦点を当てたり、非線型関係や複素潜在構造を含む離散データにおけるケースに対処できない潜在構造に厳密な制約を課す。
観測変数集合 $mathbfX_p$ に対するテンソル階数条件を探索し、その階数が特定の条件集合の最小サポートによって決定されることを示す。
異なる観測変数のランクを探索することで、潜伏変数を特定できる。
論文 参考訳(メタデータ) (2024-06-11T07:25:17Z) - General Identifiability and Achievability for Causal Representation
Learning [33.80247458590611]
本稿では,潜伏因果グラフにおけるノード毎の2つのハードアンカップリング介入を用いて,識別可能性と達成性を評価する。
同定可能性について,未結合の介入の下で潜伏因果モデルと変数の完全回復が保証されることを示す。
さらに、この分析は、2つのハードカップリングされた介入に対して、同一ノードが介在する2つの環境に関するメタデータが知られている場合に、識別可能性の結果を回復する。
論文 参考訳(メタデータ) (2023-10-24T01:47:44Z) - 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) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳(メタデータ) (2021-10-12T02:21:30Z) - Rank-one matrix estimation with groupwise heteroskedasticity [5.202966939338455]
本研究では,異なるノイズレベル下で行列の異なるブロックが観測されるガウス観測からランク1行列を推定する問題について検討する。
行列と潜伏変数の両方を推定する際、最小平均二乗誤差の正確な公式を証明した。
我々は、近似メッセージパッシングアルゴリズムと勾配降下アルゴリズムを導出し、これらのアルゴリズムが特定の状況における情報理論的限界を達成することを実証的に示す。
論文 参考訳(メタデータ) (2021-06-22T17:48:36Z) - Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
帰納バイアスは 経験的に過剰フィットを防げる中心的存在です
この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。
我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
論文 参考訳(メタデータ) (2021-03-23T17:15:53Z) - 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) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z)
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。