論文の概要: A Topological Perspective on Causal Inference
- arxiv url: http://arxiv.org/abs/2107.08558v1
- Date: Sun, 18 Jul 2021 23:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 15:08:19.726211
- Title: A Topological Perspective on Causal Inference
- Title(参考訳): 因果推論に関する位相的視点
- Authors: Duligur Ibeling, Thomas Icard
- Abstract要約: 仮定のない因果推論は、構造因果モデルの単なる集合においてのみ可能であることを示す。
以上の結果から,有効な因果推論を行うのに十分な帰納的仮定は,原理上は統計的に検証できないことが示唆された。
我々のトポロジカルアプローチのさらなる利点は、無限に多くの変数を持つSCMに容易に対応できることである。
- 参考スコア(独自算出の注目度): 10.965065178451104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a topological learning-theoretic perspective on causal
inference by introducing a series of topologies defined on general spaces of
structural causal models (SCMs). As an illustration of the framework we prove a
topological causal hierarchy theorem, showing that substantive assumption-free
causal inference is possible only in a meager set of SCMs. Thanks to a known
correspondence between open sets in the weak topology and statistically
verifiable hypotheses, our results show that inductive assumptions sufficient
to license valid causal inferences are statistically unverifiable in principle.
Similar to no-free-lunch theorems for statistical inference, the present
results clarify the inevitability of substantial assumptions for causal
inference. An additional benefit of our topological approach is that it easily
accommodates SCMs with infinitely many variables. We finally suggest that the
framework may be helpful for the positive project of exploring and assessing
alternative causal-inductive assumptions.
- Abstract(参考訳): 本稿では、構造因果モデル(SCM)の一般空間上で定義された一連のトポロジを導入することにより、因果推論に関するトポロジ的学習論的視点を示す。
フレームワークの例示として、我々は位相的因果階層定理を証明し、仮定なし因果推論は単純なscmのセットでのみ可能であることを示した。
弱トポロジーにおける開集合と統計的に検証可能な仮説との既知の対応により、有効な因果推論をライセンスするのに十分な帰納的仮定は、原理的に統計的に検証不可能であることを示す。
統計的推論のための無自由ルンチ定理と同様に, 因果推論に対する実質的な仮定の必然性を明らかにする。
我々のトポロジカルアプローチのさらなる利点は、無限個の変数を持つSCMを容易に対応できることである。
最後に、このフレームワークは、代替因果的仮定を探求し、評価するポジティブなプロジェクトに役立つかもしれないと提案する。
関連論文リスト
- Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing
Heterogeneity [0.0]
本稿では, 分散一貫性構造因果モデル (DiscoSCM) フレームワークを, 反事実推論の先駆的アプローチとして提唱する。
論文 参考訳(メタデータ) (2023-09-17T17:01:05Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Learning a Structural Causal Model for Intuition Reasoning in
Conversation [20.243323155177766]
NLP研究の重要な側面である推論は、一般的なモデルによって適切に対処されていない。
我々は、各発話がどのように情報チャネルを受信し、活性化するかを説明する会話認知モデル(CCM)を開発した。
変分推論を利用することで、暗黙的な原因の代用を探索し、その観測不可能性の問題に対処し、証拠の低い境界を通して発話の因果表現を再構築する。
論文 参考訳(メタデータ) (2023-05-28T13:54:09Z) - Axiomatization of Interventional Probability Distributions [4.02487511510606]
因果的介入は、do-calculusの規則の下で公理化される。
我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。
また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文 参考訳(メタデータ) (2023-05-08T06:07:42Z) - Causal Inference Principles for Reasoning about Commonsense Causality [93.19149325083968]
コモンセンス因果推論(Commonsense causality reasoning)は、平均的な人によって妥当と見なされる自然言語記述における妥当な原因と影響を特定することを目的としている。
既存の作業は通常、深い言語モデルに全面的に依存しており、共起を混同する可能性がある。
古典的因果原理に触発され,我々はCCRの中心的問題を明確にし,観察研究と自然言語における人間の対象間の類似性を引き出す。
本稿では,時間信号をインシデント・インシデント・インシデント・インシデント・インシデントとして活用する新しいフレームワークであるROCKをReason O(A)bout Commonsense K(C)ausalityに提案する。
論文 参考訳(メタデータ) (2022-01-31T06:12:39Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳(メタデータ) (2021-07-21T14:22:14Z) - 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) - Learning Causal Semantic Representation for Out-of-Distribution
Prediction [125.38836464226092]
因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。
CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
論文 参考訳(メタデータ) (2020-11-03T13:16:05Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳(メタデータ) (2020-08-02T11:19:36Z) - A structure theorem for generalized-noncontextual ontological models [0.0]
我々は、トモグラフィ的に局所的な操作理論の一般化された非文脈的存在論的モデルが驚くほど厳密で単純な数学的構造を持つことを示すために、プロセス理論の枠組みを用いる。
我々は,古典性の概念の同値性に関する既知結果を,準備尺度から任意の構成シナリオまで拡張する。
論文 参考訳(メタデータ) (2020-05-14T17:28:19Z)
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。