論文の概要: Nested Counterfactual Identification from Arbitrary Surrogate Experiments

• arxiv url: http://arxiv.org/abs/2107.03190v1
• Date: Wed, 7 Jul 2021 12:51:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 20:01:10.439815
• Title: Nested Counterfactual Identification from Arbitrary Surrogate Experiments
• Title（参考訳）: 任意サロゲート実験からのネスト対物同定
• Authors: Juan D Correa, Sanghack Lee, Elias Bareinboim
• Abstract要約: 観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
• 参考スコア（独自算出の注目度）: 95.48089725859298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Ladder of Causation describes three qualitatively different types of activities an agent may be interested in engaging in, namely, seeing (observational), doing (interventional), and imagining (counterfactual) (Pearl and Mackenzie, 2018). The inferential challenge imposed by the causal hierarchy is that data is collected by an agent observing or intervening in a system (layers 1 and 2), while its goal may be to understand what would have happened had it taken a different course of action, contrary to what factually ended up happening (layer 3). While there exists a solid understanding of the conditions under which cross-layer inferences are allowed from observations to interventions, the results are somewhat scarcer when targeting counterfactual quantities. In this paper, we study the identification of nested counterfactuals from an arbitrary combination of observations and experiments. Specifically, building on a more explicit definition of nested counterfactuals, we prove the counterfactual unnesting theorem (CUT), which allows one to map arbitrary nested counterfactuals to unnested ones. For instance, applications in mediation and fairness analysis usually evoke notions of direct, indirect, and spurious effects, which naturally require nesting. Second, we introduce a sufficient and necessary graphical condition for counterfactual identification from an arbitrary combination of observational and experimental distributions. Lastly, we develop an efficient and complete algorithm for identifying nested counterfactuals; failure of the algorithm returning an expression for a query implies it is not identifiable.
• Abstract（参考訳）: Ladder of Causation』では、エージェントが興味を持つ3つの質的な異なるタイプのアクティビティ、すなわち(観察的)観察、行為(インターベンショナル)、想像(数値的)について記述している(Pearl and Mackenzie, 2018)。 因果的階層によって課せられる推論上の課題は、データがシステム内で観察または介入するエージェントによって収集される(第1層と第2層)のに対して、その目標は、実際に何が起きたかとは対照的に、何が起きたかを理解することである。 観察から介入まで、層間推論が許される条件については、確かな理解があるが、反事実量をターゲットにする場合には、結果がやや不足する。 本稿では,観測と実験の任意の組み合わせから,営巣反事実の同定について検討する。 具体的には、ネストされた反ファクトのより明確な定義に基づいて、任意のネストされた反ファクトを非ネスト化されたものにマッピングできる反ファクト的非ネスト定理(CUT)を証明する。 例えば、調停と公平性分析の応用は通常、ネストを必要とする直接的、間接的、刺激的な効果の概念を誘発する。 第2に,観測分布と実験分布の任意の組み合わせから反事実同定を行うための十分かつ必要なグラフィカル条件を提案する。 最後に、ネストした偽物を特定するための効率的かつ完全なアルゴリズムを開発し、クエリの式を返すアルゴリズムの失敗は、それが特定できないことを示唆している。

関連論文リスト

• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Explaining Text Classifiers with Counterfactual Representations [0.0]
  本稿では,テキスト表現の空間を介在させることで,対物生成の簡易な手法を提案する。 提案手法を検証するために,まず合成データセットを用いて実験を行い,次に現実的な反事実のデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-01T16:06:35Z)
• 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)
• Estimation of Counterfactual Interventions under Uncertainties [10.674015311238696]
  「ローンを承認するために違うことをすべきだったのか。」 「ローンを承認するために違うことをすべきだったのか。」 「ローンを承認するために違うことをすべきだったのか。」
  論文  参考訳（メタデータ） (2023-09-15T11:41:23Z)
• 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 Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• Estimating the probabilities of causation via deep monotonic twin networks [3.5953798597797673]
  本稿では,2つのネットワーク対実数推定をディープラーニングを用いて実装し,対実数クエリを推定する方法を示す。 トレーニング中、既知の識別可能性の制約をどのように強制するかを示し、各対実的なクエリに対する応答が一意に決定されるようにする。
  論文  参考訳（メタデータ） (2021-09-04T17:11:43Z)
• 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)

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。