Fugu-MT 論文翻訳(概要): Causal Inference in Geosciences with Kernel Sensitivity Maps

論文の概要: Causal Inference in Geosciences with Kernel Sensitivity Maps

arxiv url: http://arxiv.org/abs/2012.14303v1
Date: Mon, 7 Dec 2020 21:13:21 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 20:40:06.339142
Title: Causal Inference in Geosciences with Kernel Sensitivity Maps
Title（参考訳）: カーネル感度マップを用いた地球科学における因果推論
Authors: Adri\'an P\'erez-Suay and Gustau Camps-Valls
Abstract要約: 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。
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 Science. In remote sensing and geosciences this is of special relevance to better understand the Earth's system and the complex and elusive interactions between processes. In this paper we explore a framework to derive cause-effect relations from pairs of variables via regression and dependence estimation. We propose to focus on the sensitivity (curvature) of the dependence estimator to account for the asymmetry of the forward and inverse densities of approximation residuals. Results in a large collection of 28 geoscience causal inference problems demonstrate the good capabilities of the method.
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、おそらく今日の科学において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プロセス間の複雑で解明的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,回帰と依存推定を通じて変数のペアから因果関係を導出する枠組みを検討する。近似残差の前方および逆密度の非対称性を考慮した依存推定器の感度(曲率)に着目することを提案する。 28の地学因果推論問題の大規模なコレクションにおいて,この手法の有効性が示された。

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)
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)
Linear Classification of Neural Manifolds with Correlated Variability [3.3946853660795893]
対象表現間の相関関係がキャパシティ,すなわち線形分離可能性にどのように影響するかを示す。次に、この結果を用いて、ディープネットワークデータのキャパシティを正確に推定する。
論文参考訳（メタデータ） (2022-11-27T23:01:43Z)
Weight-variant Latent Causal Models [79.79711624326299]
因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。本研究では,潜伏因果変数の同定に焦点をあてる。推移性は潜伏因果変数の識別性を著しく阻害することを示す。本稿では,潜時因果変数を直接学習する構造式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)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文参考訳（メタデータ） (2021-06-07T10:14:18Z)
Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-28T11:07:59Z)
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 Geoscience and Remote Sensing from Observational Data [9.800027003240674]
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。
論文参考訳（メタデータ） (2020-12-07T22:56:55Z)
Causal Discovery with Multi-Domain LiNGAM for Latent Factors [30.9081158491659]
我々は,潜在因子間の因果構造をすべての領域で共有する多ドメイン線形非ガウス非巡回モデル (MD-LiNA) を提案する。提案手法は局所的に一貫した推定方法を提供する。
論文参考訳（メタデータ） (2020-09-19T06:44:03Z)
Estimating Causal Effects with the Neural Autoregressive Density Estimator [6.59529078336196]
我々は、Pearlのdo-calculusフレームワーク内の因果効果を推定するために、神経自己回帰密度推定器を使用する。本手法は,変数間の相互作用を明示的にモデル化することなく,非線形システムから因果効果を抽出できることを示す。
論文参考訳（メタデータ） (2020-08-17T13:12:38Z)

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。