論文の概要: Causal Inference in Geoscience and Remote Sensing from Observational
Data
- arxiv url: http://arxiv.org/abs/2012.05150v1
- Date: Mon, 7 Dec 2020 22:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:42:02.494080
- Title: Causal Inference in Geoscience and Remote Sensing from Observational
Data
- Title（参考訳）: 地学における因果推論と観測データからのリモートセンシング
- Authors: Adri\'an P\'erez-Suay, Gustau Camps-Valls
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.800027003240674
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Establishing causal relations between random variables from observational
data is perhaps the most important challenge in today's \blue{science}. In
remote sensing and geosciences this is of special relevance to better
understand the Earth's system and the complex interactions between the
governing processes. In this paper, we focus on observational causal inference,
thus we try to estimate the correct direction of causation using a finite set
of empirical data. In addition, we focus on the more complex bivariate scenario
that requires strong assumptions and no conditional independence tests can be
used. In particular, we explore the framework of (non-deterministic) additive
noise models, which relies on the principle of independence between the cause
and the generating mechanism. A practical algorithmic instantiation of such
principle only requires 1) two regression models in the forward and backward
directions, and 2) the estimation of {\em statistical independence} between the
obtained residuals and the observations. The direction leading to more
independent residuals is decided to be the cause. We instead propose a
criterion that uses the {\em sensitivity} (derivative) of the dependence
estimator, the sensitivity criterion allows to identify samples most affecting
the dependence measure, and hence the criterion is robust to spurious
detections. We illustrate performance in a collection of 28 geoscience causal
inference problems, in a database of radiative transfer models simulations and
machine learning emulators in vegetation parameter modeling involving 182
problems, and in assessing the impact of different regression models in a
carbon cycle problem. The criterion achieves state-of-the-art detection rates
in all cases, it is generally robust to noise sources and distortions.
- Abstract（参考訳）: 観測データからランダム変数間の因果関係を確立することは、今日の \blue{science} においておそらく最も重要な課題である。
リモートセンシングと地球科学において、これは地球のシステムと統治プロセスの間の複雑な相互作用をよりよく理解するための特別な関連性である。
本稿では,観察的因果推論に着目し,有限個の実験データを用いて因果関係の正しい方向を推定する。
さらに,条件付き独立性テストが使用できないような,より複雑な二変量シナリオにも注目する。
特に,原因と生成機構の独立性の原理に依存する(非決定論的)付加雑音モデルの枠組みを考察する。
このような原理の実用的なアルゴリズム的インスタンス化には、1) 前向きと後向きの2つの回帰モデルと、2)得られた残差と観測値の間の統計独立性の推定が必要である。
より独立した残差につながる方向が原因であると決定される。
我々は,依存度推定器の「em感度」(導出的)を用いた基準を提案する。感度基準は依存度測定に最も影響を及ぼすサンプルを識別することを可能にし,従ってこの基準はスプリアス検出に頑健である。
本研究では,28の地球科学因果推論問題の集合において,182の課題を含む植生パラメータモデリングにおける放射移動モデルシミュレーションと機械学習エミュレータのデータベースを用いて,炭素サイクル問題における異なる回帰モデルの影響を評価する。
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。
関連論文リスト
- Causal Discovery by Kernel Deviance Measures with Heterogeneous
Transforms [17.368146833023893]
本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。
各仮説的原因影響方向のスコアを比較して推論を行う。
論文 参考訳（メタデータ） (2024-01-31T17:28:05Z) - Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。
我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
論文 参考訳（メタデータ） (2023-12-15T02:26:35Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
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) - 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) - 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) - 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 Geosciences with Kernel Sensitivity Maps [9.800027003240674]
回帰と依存推定を通じて変数対から因果関係を導出する枠組みを提案する。
28の地球科学因果推論問題の大規模なコレクションの結果は、この方法の良い能力を示しています。
論文 参考訳（メタデータ） (2020-12-07T21:13:21Z) - Latent Instrumental Variables as Priors in Causal Inference based on
Independence of Cause and Mechanism [2.28438857884398]
因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。
2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
論文 参考訳（メタデータ） (2020-07-17T08:18:19Z) - 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) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z)
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。