論文の概要: A Uniformly Consistent Estimator of non-Gaussian Causal Effects Under
the k-Triangle-Faithfulness Assumption
- arxiv url: http://arxiv.org/abs/2107.01333v1
- Date: Sat, 3 Jul 2021 03:26:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 11:00:45.845085
- Title: A Uniformly Consistent Estimator of non-Gaussian Causal Effects Under
the k-Triangle-Faithfulness Assumption
- Title（参考訳）: k-Triangle-Faithfulness 推定の下での非ガウス因果効果の一様一致推定器
- Authors: Shuyan Wang, Peter Spirtes
- Abstract要約: Kalisch と B"uhlmann (2007) は、線型ガウスモデルに対して、コーサルマルコフ予想、強因果 Fithfulness Assumption および因果補足の仮定の下で、PCアルゴリズムは真の因果DAGのマルコフ同値クラスの一様一貫した推定器であることを示した。
任意の滑らかな分布に適用可能な一般化$k$-Triangle Faithfulnessを提案する。
- 参考スコア（独自算出の注目度）: 3.198144010381572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kalisch and B\"{u}hlmann (2007) showed that for linear Gaussian models, under
the Causal Markov Assumption, the Strong Causal Faithfulness Assumption, and
the assumption of causal sufficiency, the PC algorithm is a uniformly
consistent estimator of the Markov Equivalence Class of the true causal DAG for
linear Gaussian models; it follows from this that for the identifiable causal
effects in the Markov Equivalence Class, there are uniformly consistent
estimators of causal effects as well. The $k$-Triangle-Faithfulness Assumption
is a strictly weaker assumption that avoids some implausible implications of
the Strong Causal Faithfulness Assumption and also allows for uniformly
consistent estimates of Markov Equivalence Classes (in a weakened sense), and
of identifiable causal effects. However, both of these assumptions are
restricted to linear Gaussian models. We propose the Generalized $k$-Triangle
Faithfulness, which can be applied to any smooth distribution. In addition,
under the Generalized $k$-Triangle Faithfulness Assumption, we describe the
Edge Estimation Algorithm that provides uniformly consistent estimates of
causal effects in some cases (and otherwise outputs "can't tell"), and the
\textit{Very Conservative }$SGS$ Algorithm that (in a slightly weaker sense) is
a uniformly consistent estimator of the Markov equivalence class of the true
DAG.
- Abstract（参考訳）: kalisch and b\"{u}hlmann (2007) は、因果的マルコフ仮定、強い因果的忠実性仮定、因果的十分性の仮定の下での線型ガウスモデルに対して、pcアルゴリズムは線型ガウスモデルに対する真の因果的dagのマルコフ同値クラスの一様に一貫した推定子であることを示した。
k$-triangle-faithfulness の仮定は、強い因果的忠実性仮定の暗黙の含意を回避し、マルコフ同値類(弱められた意味で)と識別可能な因果効果の均一に一貫した推定を可能にする、厳密に弱い仮定である。
しかし、これらの仮定はどちらも線型ガウスモデルに制限される。
任意の滑らかな分布に適用できる一般化された $k$-三角忠実性を提案する。
加えて、一般化された$k$-三角忠実性仮定の下では、いくつかのケースで因果効果の均一に一貫した推定を提供するエッジ推定アルゴリズムと、(少し弱い意味で)真のdagのマルコフ同値クラスの均一に一貫した推定である \textit{very conservative }$sgs$アルゴリズムを記述する。
関連論文リスト
- Likelihood-based Differentiable Structure Learning [38.25218464260965]
有向非巡回グラフ(DAG)の微分可能な構造学習への既存のアプローチは、強い識別可能性仮定に依存している。
一般確率下での微分可能非周期制約プログラムの挙動を解析することにより,これらの問題を説明・改善する。
論文 参考訳（メタデータ） (2024-10-08T16:08:24Z) - Understanding the Impact of Adversarial Robustness on Accuracy Disparity [18.643495650734398]
対向ロバスト性の影響を2つの部分に分解する: 頑健性制約により全てのクラスで標準精度を低下させる固有の効果と、クラス不均衡比によって引き起こされる影響である。
以上の結果から,実世界のデータセットよりも非線形モデルに拡張できる可能性が示唆された。
論文 参考訳（メタデータ） (2022-11-28T20:46:51Z) - Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
強靭性と精度のトレードオフは、敵文学において広く研究されている。
局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。
定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
論文 参考訳（メタデータ） (2022-02-21T10:36:09Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - The Interplay between Distribution Parameters and the
Accuracy-Robustness Tradeoff in Classification [0.0]
アドリラルトレーニングは、通常のモデルに比べて自然(未成熟)の例では正確でないモデルをもたらす傾向にある。
これは、アルゴリズムの欠点か、トレーニングデータ分散の基本的な性質によるものとみなすことができる。
本研究では,二進ガウス混合分類問題の下で後者のケースに焦点をあてる。
論文 参考訳（メタデータ） (2021-07-01T06:57:50Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Bayesian Model Averaging for Causality Estimation and its Approximation
based on Gaussian Scale Mixture Distributions [0.0]
まずベイズの観点から,各モデルで推定される因果効果の重み(平均)に最適なベイズであることを示す。
ガウススケール混合分布を用いたベイズ最適推定器の近似法を開発した。
論文 参考訳（メタデータ） (2021-03-15T08:07:58Z) - A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。
統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。
本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
論文 参考訳（メタデータ） (2021-01-25T09:46:14Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z) - Provable tradeoffs in adversarially robust classification [96.48180210364893]
我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。
この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
論文 参考訳（メタデータ） (2020-06-09T09:58:19Z) - A Precise High-Dimensional Asymptotic Theory for Boosting and
Minimum-$\ell_1$-Norm Interpolated Classifiers [3.167685495996986]
本稿では,分離可能なデータの強化に関する高精度な高次元理論を確立する。
統計モデルのクラスでは、ブースティングの普遍性誤差を正確に解析する。
また, 推力試験誤差と最適ベイズ誤差の関係を明示的に説明する。
論文 参考訳（メタデータ） (2020-02-05T00:24:53Z)
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。