論文の概要: Differentiable Causal Discovery Under Unmeasured Confounding
- arxiv url: http://arxiv.org/abs/2010.06978v2
- Date: Thu, 25 Feb 2021 02:20:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 12:44:41.758438
- Title: Differentiable Causal Discovery Under Unmeasured Confounding
- Title（参考訳）: 非測定コンバウンディングによる因果発見
- Authors: Rohit Bhattacharya, Tushar Nagarajan, Daniel Malinsky, Ilya Shpitser
- Abstract要約: 確立されたシステムは、祖先ADMGを通して表現できないより一般的な平等の制限を示す。
我々はこれらの制約を用いて因果発見を連続最適化問題とする。
シミュレーションにより本手法の有効性を実証し,タンパク質発現データセットに適用する。
- 参考スコア（独自算出の注目度）: 19.635669040319872
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The data drawn from biological, economic, and social systems are often
confounded due to the presence of unmeasured variables. Prior work in causal
discovery has focused on discrete search procedures for selecting acyclic
directed mixed graphs (ADMGs), specifically ancestral ADMGs, that encode
ordinary conditional independence constraints among the observed variables of
the system. However, confounded systems also exhibit more general equality
restrictions that cannot be represented via these graphs, placing a limit on
the kinds of structures that can be learned using ancestral ADMGs. In this
work, we derive differentiable algebraic constraints that fully characterize
the space of ancestral ADMGs, as well as more general classes of ADMGs, arid
ADMGs and bow-free ADMGs, that capture all equality restrictions on the
observed variables. We use these constraints to cast causal discovery as a
continuous optimization problem and design differentiable procedures to find
the best fitting ADMG when the data comes from a confounded linear system of
equations with correlated errors. We demonstrate the efficacy of our method
through simulations and application to a protein expression dataset. Code
implementing our methods is open-source and publicly available at
https://gitlab.com/rbhatta8/dcd and will be incorporated into the Ananke
package.
- Abstract（参考訳）: 生物学的、経済的、社会的なシステムから得られたデータは、測定されていない変数の存在によってしばしば統合される。
因果発見における先行研究は、非巡回有向混合グラフ(admgs)、特に観測された変数間の通常の条件独立性制約をエンコードする祖先admgsを選択するための離散探索手順に焦点を当てている。
しかし、結合されたシステムはまた、これらのグラフでは表現できないより一般的な平等制限を示し、祖先admgを用いて学習できる構造の種類に制限を課している。
本研究では、祖先ADMGの空間を完全に特徴づける微分可能代数的制約と、観測変数のすべての等式制約を捉えるADMG、アリドADMG、ボウフリーADMGのより一般的なクラスを導出する。
これらの制約を用いて因果発見を連続的な最適化問題とし、相関誤差のある整合線形方程式系からデータが得られたとき、最適な適合ADMGを見つけるための微分可能な手順を設計する。
本手法の有効性をシミュレーションにより実証し,タンパク質発現データセットに適用する。
私たちのメソッドを実装するコードはオープンソースで、https://gitlab.com/rbhatta8/dcdで公開されています。
関連論文リスト
- AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。
具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。
これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
論文 参考訳（メタデータ） (2024-03-06T15:06:11Z) - Toward the Identifiability of Comparative Deep Generative Models [7.5479347719819865]
比較深部生成モデル(DGM)における識別可能性の理論を提案する。
これらのモデルは、一般的な混合関数のクラスにおいて識別性に欠けるが、混合関数が断片的アフィンであるときに驚くほど識別可能であることを示す。
また, モデルミス種別の影響についても検討し, 従来提案されていた比較DGMの正則化手法が, 潜伏変数の数が事前に分かっていない場合に, 識別可能性を高めることを実証的に示す。
論文 参考訳（メタデータ） (2024-01-29T06:10:54Z) - Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery [19.939720617730472]
本稿では,Dagma-DCEについて紹介する。
textscDagma-DCEは、重み付き隣接行列を定義するために因果強度の解釈可能な尺度を使用する。
論文 参考訳（メタデータ） (2024-01-05T18:15:19Z) - iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive
Noise Models [48.33685559041322]
本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。
提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
論文 参考訳（メタデータ） (2023-06-30T01:48:11Z) - Modeling the Data-Generating Process is Necessary for Out-of-Distribution Generalization [23.302060306322506]
実世界のデータは、しばしば異なる属性に対して複数の分散シフトを持つ。
最先端のDGアルゴリズムは、すべてのシフトに対して一貫してうまく動作しない。
我々は、データ生成プロセスに関する知識を用いて正規化のための正しい独立制約を適応的に識別し、適用するアルゴリズムであるCausally Adaptive Constraint Minimization (CACM)を開発した。
論文 参考訳（メタデータ） (2022-06-15T22:35:06Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。
さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2022-03-03T22:02:56Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties
of Non-Gaussian Distributions [3.1981440103815717]
我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。
提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。
因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
論文 参考訳（メタデータ） (2021-06-02T09:33:05Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
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。