Fugu-MT 論文翻訳(概要): Context-Specific Causal Discovery for Categorical Data Using Staged Trees

論文の概要: Context-Specific Causal Discovery for Categorical Data Using Staged Trees

arxiv url: http://arxiv.org/abs/2106.04416v1
Date: Tue, 8 Jun 2021 14:46:15 GMT
ステータス: 処理完了
システム内更新日: 2021-06-09 22:23:21.097475
Title: Context-Specific Causal Discovery for Categorical Data Using Staged Trees
Title（参考訳）: 段階木を用いた分類データのコンテキスト特異的因果探索
Authors: Manuele Leonelli and Gherardo Varando
Abstract要約: 因果発見アルゴリズムは、観測データのみを用いた複雑な因果関係の解消を目的としている。そこで我々は,複雑で非対称な因果関係を表現可能な木モデルに基づく新たな因果関係探索アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 2.9926023796813737
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal discovery algorithms aims at untangling complex causal relationships using observational data only. Here, we introduce new causal discovery algorithms based on staged tree models, which can represent complex and non-symmetric causal effects. To demonstrate the efficacy of our algorithms, we introduce a new distance, inspired by the widely used structural interventional distance, to quantify the closeness between two staged trees in terms of their corresponding causal inference statements. A simulation study highlights the efficacy of staged trees in uncovering complex, asymmetric causal relationship from data and a real-world data application illustrates their use in a practical causal analysis.
Abstract（参考訳）: 因果発見アルゴリズムは、観測データのみを用いた複雑な因果関係の解消を目的としている。本稿では,複雑かつ非対称な因果効果を表現できる段階木モデルに基づく新しい因果発見アルゴリズムを提案する。提案アルゴリズムの有効性を示すために, 広く使用されている構造的介入距離から着想を得た新しい距離を導入し, 対応する因果推論文を用いて2つの木間の近接性を定量化する。シミュレーション研究は、データからの非対称因果関係を明らかにする際に、ステージ木の有効性を強調し、実際の因果解析におけるそれらの利用を例示する。

関連論文リスト

Graph-based Complexity for Causal Effect by Empirical Plug-in [56.14597641617531]
本稿では、因果効果クエリに対する経験的プラグイン推定の計算複雑性に焦点を当てる。計算は、推定値のハイパーグラフに依存するため、データサイズにおいて、潜在的に線形な時間で効率的に行うことができることを示す。
論文参考訳（メタデータ） (2024-11-15T07:42:01Z)
CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
論文参考訳（メタデータ） (2024-10-03T13:57:08Z)
Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-02T04:01:38Z)
How much do we really know about Structure Learning from i.i.d. Data? Interpretable, multi-dimensional Performance Indicator for Causal Discovery [3.8443430569753025]
観測データからの因果発見は、データ生成プロセスで使用される構造方程式の定式化に厳密な識別可能性の仮定を課す。統合された性能評価フレームワークの欠如により、我々は解釈可能な6次元評価指標、すなわち、最適解の距離(DOS)を導入する。本研究は、7つの異なる家系における構造学習アルゴリズムの性能を、不特定非非線形因果パターンの割合の増加に基づいて評価する最初の研究である。
論文参考訳（メタデータ） (2024-09-28T15:03:49Z)
Approximate Causal Effect Identification under Weak Confounding [13.552959043816482]
因果効果の上下境界を導出する効率的な線形プログラムを提案する。我々の境界は、観測されていない共同設立者のエントロピーがゼロになるにつれて、上界と下界の間のギャップが消えるという意味で一貫していることが示される。
論文参考訳（メタデータ） (2023-06-22T23:35:49Z)
A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-07-18T09:26:07Z)
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)
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)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
A Ladder of Causal Distances [44.34185575573054]
因果関係のラダー(ladder of causation)の各ラングに3つの距離の階層を導入する。我々は、合成と実世界の両方のデータセット上で標準的な因果発見システムをベンチマークすることで、因果距離を使用できるようにしました。最後に、因果発見技術の評価以上の応用について、簡単な議論をすることで、因果距離の有用性を強調した。
論文参考訳（メタデータ） (2020-05-05T20:39:07Z)
A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。