論文の概要: Causal learning with sufficient statistics: an information bottleneck
approach
- arxiv url: http://arxiv.org/abs/2010.05375v1
- Date: Mon, 12 Oct 2020 00:20:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 06:06:32.413868
- Title: Causal learning with sufficient statistics: an information bottleneck
approach
- Title（参考訳）: 十分な統計量を持つ因果学習:情報ボトルネックアプローチ
- Authors: Daniel Chicharro, Michel Besserve, Stefano Panzeri
- Abstract要約: システムの変数間の条件不依存から因果情報を抽出する方法は一般的である。
我々は、システムの生成機構を規定する法則が、変数の生成関数方程式に具現化された部分構造をもたらすことが多いという事実に乗じる。
本稿では,次元削減に一般的に応用されるインフォメーション・ボトルネック法を用いて,基礎となる十分な統計量を求めることを提案する。
- 参考スコア（独自算出の注目度）: 3.720546514089338
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The inference of causal relationships using observational data from partially
observed multivariate systems with hidden variables is a fundamental question
in many scientific domains. Methods extracting causal information from
conditional independencies between variables of a system are common tools for
this purpose, but are limited in the lack of independencies. To surmount this
limitation, we capitalize on the fact that the laws governing the generative
mechanisms of a system often result in substructures embodied in the generative
functional equation of a variable, which act as sufficient statistics for the
influence that other variables have on it. These functional sufficient
statistics constitute intermediate hidden variables providing new conditional
independencies to be tested. We propose to use the Information Bottleneck
method, a technique commonly applied for dimensionality reduction, to find
underlying sufficient sets of statistics. Using these statistics we formulate
new additional rules of causal orientation that provide causal information not
obtainable from standard structure learning algorithms, which exploit only
conditional independencies between observable variables. We validate the use of
sufficient statistics for structure learning both with simulated systems built
to contain specific sufficient statistics and with benchmark data from
regulatory rules previously and independently proposed to model biological
signal transduction networks.
- Abstract（参考訳）: 隠れ変数を持つ部分観測多変量系の観測データを用いた因果関係の推定は多くの科学的領域において根本的な問題である。
システムの変数間の条件付き無依存から因果情報を抽出する方法は、この目的のために一般的なツールであるが、非依存の欠如によって制限される。
この限界を克服するために、システムの生成機構を規定する法則は、しばしば変数の生成汎関数方程式に具現化された部分構造を生じさせ、他の変数がそれに影響を与えるのに十分な統計として機能するという事実に乗じる。
これらの機能的十分統計は、テストすべき新しい条件付き独立性を提供する中間隠れ変数を構成する。
本研究では,次元の低減に一般的に用いられる手法である情報ボトルネック法を用いて,十分な統計量を求めることを提案する。
これらの統計を用いて、観測変数間の条件依存性のみを利用する標準構造学習アルゴリズムから取得できない因果情報を提供する因果方向の新しい規則を定式化する。
本研究では, 特定の統計量を含むシミュレーションシステムと, 生体信号伝達ネットワークをモデル化するためにこれまでおよび独立に提案された規制規則によるベンチマークデータの両方を用いて, 構造学習のための十分な統計の利用を検証する。
関連論文リスト
- Generalization Bounds for Dependent Data using Online-to-Batch Conversion [0.6144680854063935]
従属データ設定における統計的学習者の一般化誤差は、統計学習者の一般化誤差と同値であることを示す。
我々の証明技術は、Wassersteinに基づくオンライン学習アルゴリズムの安定性の新しい概念を定義することを含む。
論文 参考訳（メタデータ） (2024-05-22T14:07:25Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Conditional expectation with regularization for missing data imputation [19.254291863337347]
欠落したデータは、医学、スポーツ、ファイナンスなど、さまざまな領域のデータセットで頻繁に発生する。
正規化による損失値の条件分布に基づくインプット(DIMV)という新しいアルゴリズムを提案する。
DIMVは、完全に観察された特徴からの情報をベースとして、エントリが不足している特徴の条件分布を決定することで機能する。
論文 参考訳（メタデータ） (2023-02-02T06:59:15Z) - Measuring Statistical Dependencies via Maximum Norm and Characteristic
Functions [0.0]
本稿では, 連接関数と積対角特性関数の差の最大ノルムに基づく統計的依存度尺度を提案する。
提案手法は、2つの異なる次元のランダムベクトル間の任意の統計的依存を検出することができる。
シミュレーションデータと実データの両方を用いて実験を行う。
論文 参考訳（メタデータ） (2022-08-16T20:24:31Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Measuring Dependence with Matrix-based Entropy Functional [21.713076360132195]
データの依存度を測定することは、統計と機械学習の中心的な役割を担います。
行列ベース正規化総相関(T_alpha*$)と行列ベース正規化双対総相関(D_alpha*$)の2つの尺度を提案する。
我々の尺度は微分可能かつ統計的に一般的なものよりも強力であることを示す。
論文 参考訳（メタデータ） (2021-01-25T15:18:16Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。
本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。
また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文 参考訳（メタデータ） (2020-06-14T12:47:34Z) - Measuring the Discrepancy between Conditional Distributions: Methods,
Properties and Applications [18.293397644865458]
本稿では,2つの条件分布間の差分を定量化するために,単純かつ強力なテスト統計量を提案する。
新しい統計学は、高次元空間の基底分布の明示的な推定を避ける。
相関関数の利点を継承し、データに高次統計を明示的に組み込む。
論文 参考訳（メタデータ） (2020-05-05T14:03:55Z) - The empirical duality gap of constrained statistical learning [115.23598260228587]
本研究では,制約付き統計学習問題(制約なし版)について,ほぼ全ての現代情報処理のコアとなる研究を行った。
本稿では, 有限次元パラメータ化, サンプル平均, 双対性理論を利用して, 無限次元, 未知分布, 制約を克服する制約付き統計問題に取り組むことを提案する。
フェアラーニングアプリケーションにおいて,この制約付き定式化の有効性と有用性を示す。
論文 参考訳（メタデータ） (2020-02-12T19:12:29Z)
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。