Fugu-MT 論文翻訳(概要): Disentangling Observed Causal Effects from Latent Confounders using Method of Moments

論文の概要: Disentangling Observed Causal Effects from Latent Confounders using Method of Moments

arxiv url: http://arxiv.org/abs/2101.06614v1
Date: Sun, 17 Jan 2021 07:48:45 GMT
ステータス: 処理完了
システム内更新日: 2021-03-27 20:14:55.899001
Title: Disentangling Observed Causal Effects from Latent Confounders using Method of Moments
Title（参考訳）: モーメント法による潜在共同設立者の因果効果の解明
Authors: Anqi Liu, Hao Liu, Tongxin Li, Saeed Karimi-Bidhendi, Yisong Yue, Anima Anandkumar
Abstract要約: 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。
参考スコア（独自算出の注目度）: 67.27068846108047
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Discovering the complete set of causal relations among a group of variables is a challenging unsupervised learning problem. Often, this challenge is compounded by the fact that there are latent or hidden confounders. When only observational data is available, the problem is ill-posed, i.e. the causal relationships are non-identifiable unless strong modeling assumptions are made. When interventions are available, we provide guarantees on identifiability and learnability under mild assumptions. We assume a linear structural equation model (SEM) with independent latent factors and directed acyclic graph (DAG) relationships among the observables. Since the latent variable inference is based on independent component analysis (ICA), we call this model SEM-ICA. We use the method of moments principle to establish model identifiability. We develop efficient algorithms based on coupled tensor decomposition with linear constraints to obtain scalable and guaranteed solutions. Thus, we provide a principled approach to tackling the joint problem of causal discovery and latent variable inference.
Abstract（参考訳）: 変数群間の因果関係の完全な集合を発見することは、教師なし学習の問題である。多くの場合、この課題は潜伏または隠れた共同設立者がいるという事実によって複合化される。観測データのみが利用できる場合、問題は不適切である。因果関係は強いモデリングの前提がなければ特定できない介入が利用可能であれば、穏やかな仮定の下で、識別性と学習可能性に関する保証を提供する。線形構造方程式モデル (SEM) と独立な潜伏因子と観測変数間の有向非巡回グラフ (DAG) の関係を仮定する。潜在変数推論は独立成分分析(ICA)に基づいており、このモデルをSEM-ICAと呼ぶ。我々はモーメント原理を用いてモデル識別可能性を確立する。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。そこで我々は,因果発見と潜在変数推論の合同問題に取り組むための原理的アプローチを提案する。