論文の概要: DoWhy: An End-to-End Library for Causal Inference

• arxiv url: http://arxiv.org/abs/2011.04216v1
• Date: Mon, 9 Nov 2020 06:22:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 02:11:37.928999
• Title: DoWhy: An End-to-End Library for Causal Inference
• Title（参考訳）: DoWhy: 因果推論のためのエンドツーエンドライブラリ
• Authors: Amit Sharma, Emre Kiciman
• Abstract要約: 因果仮定で構築されたオープンソースのPythonライブラリであるDoWhyを,その第一級市民として説明する。 DoWhy氏は、あらゆる因果解析に共通する4つのステップのAPIを提示している。 特にDoWhyは、プラセボテスト、ブートストラップテスト、未発見のコンバウンディングのテストなど、多数のチェックを実装している。
• 参考スコア（独自算出の注目度）: 16.764873959182765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In addition to efficient statistical estimators of a treatment's effect, successful application of causal inference requires specifying assumptions about the mechanisms underlying observed data and testing whether they are valid, and to what extent. However, most libraries for causal inference focus only on the task of providing powerful statistical estimators. We describe DoWhy, an open-source Python library that is built with causal assumptions as its first-class citizens, based on the formal framework of causal graphs to specify and test causal assumptions. DoWhy presents an API for the four steps common to any causal analysis---1) modeling the data using a causal graph and structural assumptions, 2) identifying whether the desired effect is estimable under the causal model, 3) estimating the effect using statistical estimators, and finally 4) refuting the obtained estimate through robustness checks and sensitivity analyses. In particular, DoWhy implements a number of robustness checks including placebo tests, bootstrap tests, and tests for unoberved confounding. DoWhy is an extensible library that supports interoperability with other implementations, such as EconML and CausalML for the the estimation step. The library is available at https://github.com/microsoft/dowhy
• Abstract（参考訳）: 治療効果の効率的な統計的推定器に加えて、因果推論の成功した応用には、観測されたデータの基礎となるメカニズムや、それらが有効かどうか、そしてどの程度の程度かの仮定が要求される。 しかし、因果推論のためのほとんどのライブラリは、強力な統計推定子を提供するタスクのみに焦点を当てている。 因果仮定を特定してテストするための因果グラフの形式的フレームワークに基づいて、因果仮定を第一級市民として構築したオープンソースのPythonライブラリであるDoWhyについて説明する。 do why presented a api for the four steps with any causal analysis---1) 因果グラフと構造的仮定を使ってデータをモデル化する。 2 因果モデルにおいて、所望の効果が推定可能か否かの特定。 3)統計的推定器を用いて効果を推定し,最後に 4)ロバストネスチェックと感度分析により得られた推定値に反論する。 特にdowhyは、placeboテスト、ブートストラップテスト、unoberved confoundingのテストなど、数多くの堅牢性チェックを実装している。 DoWhyは、見積もりステップのためのEconMLやCausalMLなど、他の実装との相互運用性をサポートする拡張可能なライブラリである。 このライブラリはhttps://github.com/microsoft/dowhyで入手できる。

関連論文リスト

• Counterfactual Causal Inference in Natural Language with Large Language Models [9.153187514369849]
  本稿では,自然言語からの因果構造発見と因果推論手法を提案する。 まず LLM を用いてテキストデータからインスタンス化された因果変数を抽出し,因果グラフを構築する。 次に、推定されたグラフに対して反実数推論を行う。
  論文  参考訳（メタデータ） (2024-10-08T21:53:07Z)
• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Are LLMs Capable of Data-based Statistical and Causal Reasoning? Benchmarking Advanced Quantitative Reasoning with Data [89.2410799619405]
  実世界のデータを用いた統計的および因果推論において,大規模言語モデルの能力を評価するために,データベンチマークを用いた定量的推論を導入する。 このベンチマークは、教科書、オンライン学習教材、学術論文のデータシートを伴う411の質問のデータセットで構成されている。 データとテキストに対するモデルの量的推論能力を比較するために、ベンチマークを290のテキストのみの質問、すなわちQRTextで強化する。
  論文  参考訳（メタデータ） (2024-02-27T16:15:03Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Salesforce CausalAI Library: A Fast and Scalable Framework for Causal Analysis of Time Series and Tabular Data [76.85310770921876]
  観測データを用いた因果解析のためのオープンソースライブラリであるSalesforce CausalAI Libraryを紹介した。 このライブラリの目標は、因果関係の領域における様々な問題に対して、迅速かつ柔軟なソリューションを提供することである。
  論文  参考訳（メタデータ） (2023-01-25T22:42:48Z)
• On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
  位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。 症例によっては, 因果方向が同定可能であることが示唆された。 我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2022-10-13T17:18:59Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• DoWhy: Addressing Challenges in Expressing and Validating Causal Assumptions [40.70930937915354]
  DoWhyは因果グラフを通じて仮定の明示的な宣言を可能にするフレームワークである。 これらの仮定のサブセットをチェックするために、複数の検証テストを提供する。 DoWhyでの私たちの経験は、将来の研究のためのオープンな質問をいくつか取り上げています。
  論文  参考訳（メタデータ） (2021-08-27T11:07:30Z)
• Algorithmic Causal Effect Identification with causaleffect [0.0]
  本報告では, 観測データから条件付きおよび非条件付き因果クエリを計算するアルゴリズムをPythonで検証し, 実装する。 まず、確率とグラフ理論に関する基本的な背景知識を示し、因果理論の重要な結果を紹介した。 その後、2006年にShpitserとPearlが提示した識別アルゴリズムを徹底的に研究し、Pythonによる実装について説明した。
  論文  参考訳（メタデータ） (2021-07-09T19:00:33Z)
• A Causal Direction Test for Heterogeneous Populations [10.653162005300608]
  ほとんどの因果モデルでは、単一の同質な集団を仮定するが、これは多くの応用において成り立たない仮定である。 等質性仮定に違反した場合、そのような仮定に基づいて開発された因果モデルが正しい因果方向を識別できないことを示す。 我々は,$k$-means型クラスタリングアルゴリズムを用いて,一般的な因果方向検定統計量の調整を提案する。
  論文  参考訳（メタデータ） (2020-06-08T18:59:14Z)
• Showing Your Work Doesn't Always Work [73.63200097493576]
  『Show Your Work: Improved Reporting of Experimental Results』では、最高の学習モデルの有効性を報告している。 解析的にそれらの推定器は偏りがあり、エラーを起こしやすい仮定を用いていることを示す。 我々は、偏見のない代替案を導き、統計的シミュレーションから経験的な証拠で主張を裏付ける。
  論文  参考訳（メタデータ） (2020-04-28T17:59:01Z)

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。