論文の概要: A Simulation-Based Test of Identifiability for Bayesian Causal Inference

• arxiv url: http://arxiv.org/abs/2102.11761v1
• Date: Tue, 23 Feb 2021 15:42:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 12:20:59.511209
• Title: A Simulation-Based Test of Identifiability for Bayesian Causal Inference
• Title（参考訳）: ベイズ因果推論の同定可能性のシミュレーションによる検証
• Authors: Sam Witty, David Jensen, Vikash Mansinghka
• Abstract要約: 本稿では,シミュレーションによる粒子最適化に基づく完全自動同定テストを提案する。 我々は,SBIがグラフに基づく識別の既知結果と,グラフに基づく手法が不確定な設計に対する広範囲にわたる直観に一致していることを示す。
• 参考スコア（独自算出の注目度）: 9.550238260901121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a procedure for testing the identifiability of Bayesian models for causal inference. Although the do-calculus is sound and complete given a causal graph, many practical assumptions cannot be expressed in terms of graph structure alone, such as the assumptions required by instrumental variable designs, regression discontinuity designs, and within-subjects designs. We present simulation-based identifiability (SBI), a fully automated identification test based on a particle optimization scheme with simulated observations. This approach expresses causal assumptions as priors over functions in a structural causal model, including flexible priors using Gaussian processes. We prove that SBI is asymptotically sound and complete, and produces practical finite-sample bounds. We also show empirically that SBI agrees with known results in graph-based identification as well as with widely-held intuitions for designs in which graph-based methods are inconclusive.
• Abstract（参考訳）: 本稿では、因果推論のためのベイズモデルの識別性をテストする手順について紹介する。 do-calculus は、因果グラフが与えられたときの健全かつ完備であるが、器用変数設計や回帰不連続設計、対象内設計など、多くの実践的な仮定は、グラフ構造だけでは表現できない。 本論文では,シミュレート観測による粒子最適化方式に基づく完全自動識別試験であるシミュレーションに基づく識別可能性(SBI)について述べる。 このアプローチは、ガウス過程を用いた柔軟な事前を含む構造因果モデルにおける関数の先行として因果仮定を表現する。 我々はSBIが漸近的に健全かつ完全であることを証明し、実用的な有限サンプル境界を生成する。 また、SBIは、グラフに基づく識別の既知の結果と、グラフベースの手法が決定不能な設計に対する広く保持された直観に一致していることを示す。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• The Foundations of Tokenization: Statistical and Computational Concerns [51.370165245628975]
  トークン化は、NLPパイプラインにおける重要なステップである。 NLPにおける標準表現法としての重要性は認識されているが、トークン化の理論的基盤はまだ完全には理解されていない。 本稿では,トークン化モデルの表現と解析のための統一的な形式的枠組みを提案することによって,この理論的ギャップに対処することに貢献している。
  論文  参考訳（メタデータ） (2024-07-16T11:12:28Z)
• Consistency of Neural Causal Partial Identification [17.503562318576414]
  因果モデル(Causal Models)の最近の進歩は、因果効果の同定と部分的同定が神経生成モデルによって自動的に行われるかを示した。 連続変数とカテゴリー変数の両方を持つ一般設定において、NCMによる部分的識別の整合性を証明する。 結果は、深さと接続性の観点から、基盤となるニューラルネットワークアーキテクチャの設計の影響を強調している。
  論文  参考訳（メタデータ） (2024-05-24T16:12:39Z)
• Algorithmic syntactic causal identification [0.8901073744693314]
  因果的ベイズネット(CBN)の因果的識別は因果的推論において重要なツールである。 d-分離やdo-calculusといった手法を用いた因果同定の定式化は、古典的確率論の数学的言語で表現されている。 古典的確率論を対称モノイド圏の代替公理的基礎に置き換えることで、この制限を解除できることを示す。
  論文  参考訳（メタデータ） (2024-03-14T17:14:53Z)
• Partially Specified Causal Simulations [0.0]
  多くの因果推論文学は、過剰に制限された、または不特定な研究を設計する傾向がある。 本研究では,これらのデシラタに対応するシミュレーションフレームワークであるPARCSを導入する。 我々は、よく知られた因果発見と欠落データ分析論文のシミュレーション研究を再現し、拡張する。
  論文  参考訳（メタデータ） (2023-09-19T10:50:35Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Investigating the Impact of Model Misspecification in Neural Simulation-based Inference [1.933681537640272]
  本研究では,様々なモデルの誤識別が存在する場合のニューラルネットワークSBIアルゴリズムの挙動について検討する。 ミスセグメンテーションは、パフォーマンスに非常に有害な影響を及ぼす可能性があることに気付きました。 我々は、ニューラルネットワークSBIアルゴリズムが正確な結論を導出するために頼らなければならない場合、モデルの誤特定に対処するために新しいアプローチが必要であると結論付けた。
  論文  参考訳（メタデータ） (2022-09-05T09:08:16Z)
• Causality and Generalizability: Identifiability and Learning Methods [0.0]
  この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。 本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。 本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-10-04T13:12:11Z)
• 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)
• Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
  本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。 本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。 本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-11-09T02:51:17Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。