論文の概要: Causal Discovery with Multi-Domain LiNGAM for Latent Factors

• arxiv url: http://arxiv.org/abs/2009.09176v3
• Date: Sat, 23 Apr 2022 03:49:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 21:03:15.236809
• Title: Causal Discovery with Multi-Domain LiNGAM for Latent Factors
• Title（参考訳）: 潜伏因子に対するマルチドメインLiNGAMによる因果発見
• Authors: Yan Zeng, Shohei Shimizu, Ruichu Cai, Feng Xie, Michio Yamamoto, Zhifeng Hao
• Abstract要約: 我々は,潜在因子間の因果構造をすべての領域で共有する多ドメイン線形非ガウス非巡回モデル (MD-LiNA) を提案する。 提案手法は局所的に一貫した推定方法を提供する。
• 参考スコア（独自算出の注目度）: 30.9081158491659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering causal structures among latent factors from observed data is a particularly challenging problem. Despite some efforts for this problem, existing methods focus on the single-domain data only. In this paper, we propose Multi-Domain Linear Non-Gaussian Acyclic Models for Latent Factors (MD-LiNA), where the causal structure among latent factors of interest is shared for all domains, and we provide its identification results. The model enriches the causal representation for multi-domain data. We propose an integrated two-phase algorithm to estimate the model. In particular, we first locate the latent factors and estimate the factor loading matrix. Then to uncover the causal structure among shared latent factors of interest, we derive a score function based on the characterization of independence relations between external influences and the dependence relations between multi-domain latent factors and latent factors of interest. We show that the proposed method provides locally consistent estimators. Experimental results on both synthetic and real-world data demonstrate the efficacy and robustness of our approach.
• Abstract（参考訳）: 観測データから潜伏因子の因果構造を明らかにすることは特に難しい問題である。 この問題に対するいくつかの取り組みにもかかわらず、既存のメソッドは単一ドメインのデータのみに焦点を当てている。 本稿では,すべての領域において興味のある潜在因子の因果構造が共有される潜在因子(md-lina)に対する多領域線形非ゲージ非巡回モデルを提案し,その同定結果を提供する。 このモデルはマルチドメインデータの因果表現を強化する。 モデル推定のための統合二相アルゴリズムを提案する。 特に,まず潜在因子を同定し,因子負荷行列を推定する。 次に,関心の共有潜在要因間の因果構造を明らかにするために,外部影響間の独立関係と多領域潜在要因と関心の潜在要因間の依存関係の特徴づけに基づくスコア関数を導出する。 提案手法は局所的に一貫した推定方法を提供する。 合成データと実世界のデータの両方における実験結果から,本手法の有効性と頑健性が示された。

関連論文リスト

• C-Disentanglement: Discovering Causally-Independent Generative Factors under an Inductive Bias of Confounder [35.09708249850816]
  我々は,共同設立者の帰納的バイアスを明示する最初のフレームワークである,C-Disentanglement(C-Disentanglement)というフレームワークを紹介した。 我々は、合成データセットと実世界のデータセットの両方について広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-26T11:44:42Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
  本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。 我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。 理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
  論文  参考訳（メタデータ） (2022-03-27T08:08:33Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)
• 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)
• 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)
• Causal Inference in Possibly Nonlinear Factor Models [2.0305676256390934]
  そこで本研究では, ノイズ測定による治療効果モデルに対する一般的な因果推定法を開発した。 主ビルディングブロックは局所主部分空間近似であり、$K$-nearest 隣人マッチングと主成分分析を組み合わせたものである。 結果は、金融機関の株価リターンに政治的つながりが及ぼす影響を研究する実証的なアプリケーションで示される。
  論文  参考訳（メタデータ） (2020-08-31T14:39:36Z)

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。