論文の概要: Entropic Inequality Constraints from $e$-separation Relations in Directed Acyclic Graphs with Hidden Variables

• arxiv url: http://arxiv.org/abs/2107.07087v1
• Date: Thu, 15 Jul 2021 02:43:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-16 14:09:57.752344
• Title: Entropic Inequality Constraints from $e$-separation Relations in Directed Acyclic Graphs with Hidden Variables
• Title（参考訳）: 隠れ変数を持つ有向非巡回グラフにおけるe$-分離関係からのエントロピー不等式制約
• Authors: Noam Finkelstein, Beata Zjawin, Elie Wolfe, Ilya Shpitser, Robert W. Spekkens
• Abstract要約: 情報伝達の因果経路に沿った変数の容量はエントロピーによって制限されていることを示す。 本稿では,最小媒介エントロピーと呼ばれる因果影響の尺度を提案し,平均因果効果などの従来の尺度を拡大できることを実証する。
• 参考スコア（独自算出の注目度）: 8.242194776558895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Directed acyclic graphs (DAGs) with hidden variables are often used to characterize causal relations between variables in a system. When some variables are unobserved, DAGs imply a notoriously complicated set of constraints on the distribution of observed variables. In this work, we present entropic inequality constraints that are implied by $e$-separation relations in hidden variable DAGs with discrete observed variables. The constraints can intuitively be understood to follow from the fact that the capacity of variables along a causal pathway to convey information is restricted by their entropy; e.g. at the extreme case, a variable with entropy $0$ can convey no information. We show how these constraints can be used to learn about the true causal model from an observed data distribution. In addition, we propose a measure of causal influence called the minimal mediary entropy, and demonstrate that it can augment traditional measures such as the average causal effect.
• Abstract（参考訳）: 隠れ変数を持つ非巡回グラフ(DAG)は、システム内の変数間の因果関係を特徴づけるためにしばしば用いられる。 いくつかの変数が観測されていない場合、DAGは観測された変数の分布に関する、非常に複雑な制約セットを暗示する。 本研究では、離散変数を持つ隠れ変数DAGにおける$e$-セパレーション関係によって示唆されるエントロピー不等式制約を示す。 この制約は、情報伝達の因果経路に沿った変数の容量がエントロピーによって制限されるという事実から直感的に理解することができる。 極端な場合、エントロピー$0$の変数は情報を伝えることができない。 これらの制約を観測されたデータ分布から真の因果モデルを学ぶためにどのように利用できるかを示す。 さらに, 最小媒介エントロピーと呼ばれる因果影響の尺度を提案し, 平均因果効果などの従来の尺度を増大させることができることを示した。

関連論文リスト

• Linear causal disentanglement via higher-order cumulants [0.0]
  複数の文脈におけるデータへのアクセスを前提として,線形因果不整合の識別可能性について検討した。 各潜伏変数に対する1つの完全な介入が十分であり、完全な介入の下でパラメータを復元するのに必要となる最悪の場合を示す。
  論文  参考訳（メタデータ） (2024-07-05T15:53:16Z)
• Causal Representation Learning from Multiple Distributions: A General Setting [21.73088044465267]
  本稿では,複数の分布からの因果表現学習の一般的,完全に非パラメトリックな設定について述べる。 因果的影響に対する適切な変化条件と、潜伏変数上のグラフの空間的制約の下で、基礎となる有向非巡回グラフのモラル化グラフを復元できることが示される。 場合によっては、ほとんどの潜伏変数はコンポーネントワイド変換まで回収できる。
  論文  参考訳（メタデータ） (2024-02-07T17:51:38Z)
• Causal Layering via Conditional Entropy [85.01590667411956]
  因果発見は、生成した観測可能なデータから観測されていない因果グラフに関する情報を回収することを目的としている。 我々は、条件付きエントロピーオラクルを介してデータにアクセスすることによって、グラフの階層化を回復する方法を提供する。
  論文  参考訳（メタデータ） (2024-01-19T05:18:28Z)
• 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)
• Reinterpreting causal discovery as the task of predicting unobserved joint statistics [15.088547731564782]
  我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。 入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
  論文  参考訳（メタデータ） (2023-05-11T15:30:54Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• 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)
• Discovery of Causal Additive Models in the Presence of Unobserved Variables [6.670414650224422]
  観測されていない変数に影響されたデータからの因果発見は、重要だが解決が難しい問題である。 本研究では,非観測変数に偏らされることなく理論的に同定可能なすべての因果関係を同定する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T03:28:27Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Entropic Causal Inference: Identifiability and Finite Sample Results [14.495984877053948]
  エントロピー因果推論は、観測データから2つのカテゴリー変数間の因果方向を推定する枠組みである。 Kocaogluらによって提示される最小エントロピー結合に基づくアルゴリズムアプローチを検討する。
  論文  参考訳（メタデータ） (2021-01-10T08:37:54Z)

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。