論文の概要: Causal Autoregressive Flows

• arxiv url: http://arxiv.org/abs/2011.02268v2
• Date: Wed, 24 Feb 2021 16:35:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 21:28:44.107882
• Title: Causal Autoregressive Flows
• Title（参考訳）: 因果自己回帰流
• Authors: Ilyes Khemakhem, Ricardo Pio Monti, Robert Leech, Aapo Hyv\"arinen
• Abstract要約: 自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。 我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
• 参考スコア（独自算出の注目度）: 4.731404257629232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two apparently unrelated fields -- normalizing flows and causality -- have recently received considerable attention in the machine learning community. In this work, we highlight an intrinsic correspondence between a simple family of autoregressive normalizing flows and identifiable causal models. We exploit the fact that autoregressive flow architectures define an ordering over variables, analogous to a causal ordering, to show that they are well-suited to performing a range of causal inference tasks, ranging from causal discovery to making interventional and counterfactual predictions. First, we show that causal models derived from both affine and additive autoregressive flows with fixed orderings over variables are identifiable, i.e. the true direction of causal influence can be recovered. This provides a generalization of the additive noise model well-known in causal discovery. Second, we derive a bivariate measure of causal direction based on likelihood ratios, leveraging the fact that flow models can estimate normalized log-densities of data. Third, we demonstrate that flows naturally allow for direct evaluation of both interventional and counterfactual queries, the latter case being possible due to the invertible nature of flows. Finally, throughout a series of experiments on synthetic and real data, the proposed method is shown to outperform current approaches for causal discovery as well as making accurate interventional and counterfactual predictions.
• Abstract（参考訳）: 明らかに無関係な2つの分野(フローの正規化と因果関係)は最近、機械学習コミュニティでかなりの注目を集めている。 本稿では,自己回帰的正規化フローの単純な族と同定可能な因果モデルとの間の本質的対応を強調する。 自己回帰フローアーキテクチャは,因果順序付けに類似した変数の順序付けを定義し,因果的発見から介入的および反事実的予測に至るまで,様々な因果的推論タスクの実行に適していることを示す。 まず,アフィンと加法的自己回帰流の双方から導かれる因果的モデルが変数上の固定順序で同定可能であること,すなわち因果的影響の真の方向を復元できること,を示す。 これは因果発見でよく知られた付加ノイズモデルの一般化を提供する。 第二に, フローモデルがデータの正規化ログ密度を推定できるという事実を利用して, 確率比に基づく因果方向の双変量尺度を導出する。 第3に、フローは自然に介入クエリと反事実クエリの両方を直接評価できることを示し、後者はフローの不可逆性によって可能であることを示した。 最後に、合成および実データに関する一連の実験を通して、提案手法は因果発見に対する現在のアプローチより優れており、正確な介入および反事実予測を行う。

関連論文リスト

• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• 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)
• Causal normalizing flows: from theory to practice [10.733905678329675]
  我々は,非線形ICAを用いた最近の結果を用いて,因果的順序付けを施した観測データから因果的モデルが識別可能であることを示す。 第2に、因果正規化フローの設計と学習の異なる選択を分析し、基礎となる因果データ生成プロセスをキャプチャする。 第3に, 因果NFにおけるdo-operativeの実装方法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T17:58:05Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• 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)
• Autoregressive flow-based causal discovery and inference [4.83420384410068]
  自己回帰フローモデルは、様々な因果推論タスクを実行するのに適している。 自己回帰型アーキテクチャは、因果順序に類似した変数の順序を定義しているという事実を活用する。 本稿では, 自己回帰的流れを正しい因果順序で訓練することにより, 正確な介入予測と反事実予測を行うことができる, 合成データの例を示す。
  論文  参考訳（メタデータ） (2020-07-18T10:02:59Z)

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。