論文の概要: Finding Valid Adjustments under Non-ignorability with Minimal DAG Knowledge

• arxiv url: http://arxiv.org/abs/2106.11560v1
• Date: Tue, 22 Jun 2021 06:32:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 14:50:04.006261
• Title: Finding Valid Adjustments under Non-ignorability with Minimal DAG Knowledge
• Title（参考訳）: 最小DAG知識を用いた非無視下での妥当性調整の探索
• Authors: Abhin Shah, Karthikeyan Shanmugam, Kartik Ahuja
• Abstract要約: 観測データからの処理効果推定は因果推論の基本的な問題である。 治療変数の親が1人しか知らない場合でも(専門家によって提供された)、幅広い種類のバックドア基準をテストするのに十分であることを示す。
• 参考スコア（独自算出の注目度）: 24.602623636437315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Treatment effect estimation from observational data is a fundamental problem in causal inference. There are two very different schools of thought that have tackled this problem. On the one hand, the Pearlian framework commonly assumes structural knowledge (provided by an expert) in the form of Directed Acyclic Graphs (DAGs) and provides graphical criteria such as the back-door criterion to identify the valid adjustment sets. On the other hand, the potential outcomes (PO) framework commonly assumes that all the observed features satisfy ignorability (i.e., no hidden confounding), which in general is untestable. In this work, we take steps to bridge these two frameworks. We show that even if we know only one parent of the treatment variable (provided by an expert), then quite remarkably it suffices to test a broad class of (but not all) back-door criteria. Importantly, we also cover the non-trivial case where the entire set of observed features is not ignorable (generalizing the PO framework) without requiring all the parents of the treatment variable to be observed. Our key technical idea involves a more general result -- Given a synthetic sub-sampling (or environment) variable that is a function of the parent variable, we show that an invariance test involving this sub-sampling variable is equivalent to testing a broad class of back-door criteria. We demonstrate our approach on synthetic data as well as real causal effect estimation benchmarks.
• Abstract（参考訳）: 観測データからの処理効果推定は因果推論の基本的な問題である。 この問題に対処した思想の流派は2つある。 一方、パール的フレームワークは一般的に、DAG(Directed Acyclic Graphs)という形で構造知識(専門家によって提供される)を仮定し、有効な調整セットを特定するためのバックドア基準のようなグラフィカルな基準を提供する。 一方、潜在的結果(PO)フレームワークは一般に、観測された全ての特徴が一般には証明不可能な無知性(すなわち、隠れた境界を持たない)を満たすと仮定する。 この作業では、これらの2つのフレームワークを橋渡しします。 治療変数の親が1人(専門家によって提供された)しか知らないとしても、幅広い(すべてではないが)バックドア基準をテストするのに十分であることを示す。 重要なことは、観察された特徴の集合全体が無視できない(POフレームワークの一般化)非自明なケースについても、治療変数のすべての親を観察する必要なしにカバーする。 親変数の関数である合成サブサンプリング(または環境)変数が与えられたとき、このサブサンプリング変数を含む不変性テストは、幅広いバックドア基準のクラスをテストすることと等価であることを示す。 我々は,実因果効果推定ベンチマークと同様に,合成データに対するアプローチを示す。

関連論文リスト

• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables [28.51579090194802]
  因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。 ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。 合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-12-18T07:57:39Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion [23.20371860838245]
  フロントドア基準は、データからフロントドア調整に使用される変数の集合を特定することがしばしば困難である。 表現学習における深層生成モデルの能力を活用して、変分オートエンコーダを用いたフロントドア調整セットの表現を学習するためのFDVAEを提案する。
  論文  参考訳（メタデータ） (2023-04-24T10:04:28Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• On Testability of the Front-Door Model via Verma Constraints [7.52579126252489]
  フロントドア基準は、測定されていない共同設立者にもかかわらず因果関係を識別し、計算するために用いられる。 主要な仮定 -- 結果に対する治療の効果を完全に媒介する変数の存在と、類似したコンバウンディングの問題に同時に苦しめられていない変数の存在は、しばしば許し難いものとみなされる。 補助変数を含む穏やかな条件下では, 一般等式制約により, フロントドアモデルに符号化された仮定を検証できることを示す。
  論文  参考訳（メタデータ） (2022-03-01T00:38:29Z)
• 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)
• 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)

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。