論文の概要: A Local Method for Identifying Causal Relations under Markov Equivalence
- arxiv url: http://arxiv.org/abs/2102.12685v1
- Date: Thu, 25 Feb 2021 05:01:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 14:01:43.697620
- Title: A Local Method for Identifying Causal Relations under Markov Equivalence
- Title(参考訳): マルコフ等価性に基づく因果関係の局所的同定法
- Authors: Zhuangyan Fang and Yue Liu and Zhi Geng and Yangbo He
- Abstract要約: 因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。
有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるか否かを局所的に特定する手法を提案する。
- 参考スコア(独自算出の注目度): 7.904790547594697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causality is important for designing interpretable and robust methods in
artificial intelligence research. We propose a local approach to identify
whether a variable is a cause of a given target based on causal graphical
models of directed acyclic graphs (DAGs). In general, the causal relation
between two variables may not be identifiable from observational data as many
causal DAGs encoding different causal relations are Markov equivalent. In this
paper, we first introduce a sufficient and necessary graphical condition to
check the existence of a causal path from a variable to a target in every
Markov equivalent DAG. Next, we provide local criteria for identifying whether
the variable is a cause/non-cause of the target. Finally, we propose a local
learning algorithm for this causal query via learning local structure of the
variable and some additional statistical independence tests related to the
target. Simulation studies show that our local algorithm is efficient and
effective, compared with other state-of-art methods.
- Abstract(参考訳): 因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。
有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるかどうかを局所的に特定する手法を提案する。
一般に、異なる因果関係をコードする多くの因果関係DAGがマルコフ同値であるため、2変数間の因果関係は観測データから特定できない。
本稿では、変数からターゲットへの因果パスの存在を全てのマルコフ等価DAGで確認するための、十分かつ必要なグラフィカルな条件について紹介する。
次に、変数がターゲットの原因/原因であるかどうかを識別するための局所的な基準を提供する。
最後に、変数の局所構造とターゲットに関連する統計的独立性テストを学習することによって、この因果的クエリの局所学習アルゴリズムを提案する。
シミュレーション研究により,我々の局所アルゴリズムは,他の最先端手法と比較して効率的かつ効果的であることが判明した。
関連論文リスト
- Score-based Causal Representation Learning: Linear and General
Transformations [35.82689499120426]
本稿は、識別可能性と達成可能性の両面について論じる。
スコアに基づくアルゴリズムのクラスを設計し、識別性と達成性の両方を保証する。
論文 参考訳(メタデータ) (2024-02-01T18:40:03Z) - General Identifiability and Achievability for Causal Representation
Learning [33.80247458590611]
本稿では,潜伏因果グラフにおけるノード毎の2つのハードアンカップリング介入を用いて,識別可能性と達成性を評価する。
同定可能性について,未結合の介入の下で潜伏因果モデルと変数の完全回復が保証されることを示す。
さらに、この分析は、2つのハードカップリングされた介入に対して、同一ノードが介在する2つの環境に関するメタデータが知られている場合に、識別可能性の結果を回復する。
論文 参考訳(メタデータ) (2023-10-24T01:47:44Z) - Structural restrictions in local causal discovery: identifying direct
causes of a target variable [0.0]
観測的関節分布から対象変数の直接的原因の集合を学習する問題を考察する。
有限個のランダムサンプルから直接原因を推定する2つの実用的なアルゴリズムを提案し,その有効性をいくつかのベンチマークデータセットで示す。
論文 参考訳(メタデータ) (2023-07-29T18:31:35Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-06-06T05:12:48Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳(メタデータ) (2021-11-15T03:16:56Z) - Typing assumptions improve identification in causal discovery [123.06886784834471]
観測データからの因果発見は、正確な解を常に特定できない難しい課題である。
そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
論文 参考訳(メタデータ) (2021-07-22T14:23:08Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳(メタデータ) (2021-06-14T17:52:49Z) - A Recursive Markov Boundary-Based Approach to Causal Structure Learning [22.38302412440357]
因果構造学習のための新しい再帰型手法を提案する。
条件付き独立テストの必要回数を大幅に削減する。
実験の結果,提案アルゴリズムは,合成構造と実世界構造の両方において,最先端のアルゴリズムよりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-10-10T13:26:22Z) - Semiparametric Inference For Causal Effects In Graphical Models With
Hidden Variables [13.299431908881425]
隠れ変数有向非巡回グラフに関連する因果モデルにおける因果効果の同定理論をよく研究した。
対応するアルゴリズムは、出力する関数を推定する複雑さのために、過小評価される。
単一処理と単一結果を含む集団レベルの因果効果の同定と推定のギャップを橋渡しする。
論文 参考訳(メタデータ) (2020-03-27T22:29:04Z)
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。