論文の概要: The Effect of Noise Level on Causal Identification with Additive Noise
Models
- arxiv url: http://arxiv.org/abs/2108.11320v1
- Date: Tue, 24 Aug 2021 11:18:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-26 23:47:58.071821
- Title: The Effect of Noise Level on Causal Identification with Additive Noise
Models
- Title（参考訳）: 付加雑音モデルによる因果同定における騒音レベルの影響
- Authors: Benjamin Kap
- Abstract要約: 本研究では,雑音レベルの違いが付加雑音モデルに及ぼす影響を考察し,因果関係の方向を同定する。
textitRegression with Subsequent Independence Test とtextitIdentification using Conditional Variances の2つの方法が選択された。
実験の結果、これらの手法はある種のノイズに対して真の因果方向を捉えることができないことが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years a lot of research has been conducted within the area of
causal inference and causal learning. Many methods have been developed to
identify the cause-effect pairs in models and have been successfully applied to
observational real-world data in order to determine the direction of causal
relationships. Many of these methods require simplifying assumptions, such as
absence of confounding, cycles, and selection bias. Yet in bivariate situations
causal discovery problems remain challenging. One class of such methods, that
also allows tackling the bivariate case, is based on Additive Noise Models
(ANMs). Unfortunately, one aspect of these methods has not received much
attention until now: what is the impact of different noise levels on the
ability of these methods to identify the direction of the causal relationship.
This work aims to bridge this gap with the help of an empirical study. For this
work, we considered bivariate cases, which is the most elementary form of a
causal discovery problem where one needs to decide whether X causes Y or Y
causes X, given joint distributions of two variables X, Y. Furthermore, two
specific methods have been selected, \textit{Regression with Subsequent
Independence Test} and \textit{Identification using Conditional Variances},
which have been tested with an exhaustive range of ANMs where the additive
noises' levels gradually change from 1% to 10000% of the causes' noise level
(the latter remains fixed). Additionally, the experiments in this work consider
several different types of distributions as well as linear and non-linear ANMs.
The results of the experiments show that these methods can fail to capture the
true causal direction for some levels of noise.
- Abstract（参考訳）: 近年,因果推論や因果学習の分野で多くの研究が行われている。
モデルにおける因果効果対を同定するために多くの手法が開発され、因果関係の方向を決定するために観測実世界データにうまく適用されている。
これらの手法の多くは、矛盾、サイクル、選択バイアスなどの仮定を単純化する必要がある。
しかし、両変数の状況では因果発見の問題はまだ難しい。
このような手法の1つのクラスは、二変量の場合も扱えるようにしており、加法ノイズモデル(ANMs)に基づいている。
残念ながら、これらの方法の1つの側面は、これまであまり注目されていない: 異なるノイズレベルが、それらの方法が因果関係の方向性を特定する能力に与える影響である。
この研究は、実証的研究の助けを借りて、このギャップを埋めることを目的としている。
本研究では, x が 2 変数 x, y のジョイント分布を与えられた場合,x が y または y を原因とするか否かを決定する必要のある因果発見問題の最も基本的な形式である双変量の場合を検討した。
さらに、加算ノイズのレベルが1%から10000%に徐々に変化するようなanmの徹底的な範囲でテストされた、条件付き分散を用いた \textit{regression with subsequent independence test} と \textit{identification using conditional variances} の2つの特定の方法が選択されている(後者は修正されている)。
さらに、本研究の実験では、線形および非線形の anms と同様に、いくつかの異なる種類の分布を考察する。
実験の結果、これらの手法はノイズのレベルによっては真の因果方向を捉えることができないことが示された。
関連論文リスト
- Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。
教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。
その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
論文 参考訳（メタデータ） (2024-08-01T09:11:08Z) - A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。
我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。
提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
論文 参考訳（メタデータ） (2024-03-13T08:40:49Z) - Identification of Causal Structure with Latent Variables Based on Higher
Order Cumulants [31.85295338809117]
本稿では,潜伏変数の影響を受ける2つの変数間の因果エッジの存在を同定するための新しい手法を提案する。
このような因果エッジが流出した場合、因果方向を決定するための非対称性基準を導入する。
論文 参考訳（メタデータ） (2023-12-19T08:20:19Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - 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) - Cause-Effect Inference in Location-Scale Noise Models: Maximum
Likelihood vs. Independence Testing [19.23479356810746]
因果発見の根本的な問題は因果推論であり、2つの確率変数間の正しい因果方向を学習する。
最近導入されたヘテロセダスティックな位置スケールノイズ汎関数モデル(LSNM)は、表現力と識別可能性の保証を組み合わせたものである。
雑音分布が正しく特定された場合,LSNMモデル選択が最先端の精度を実現することを示す。
論文 参考訳（メタデータ） (2023-01-26T20:48:32Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - Causal Identification with Additive Noise Models: Quantifying the Effect
of Noise [5.037636944933989]
本研究では,異なる雑音レベルが付加雑音モデルに及ぼす影響について検討し,因果関係の方向を同定する。
加法雑音のレベルが原因雑音の1%から10000%に徐々に変化するような網羅的な範囲のモデルを用いる。
実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。
論文 参考訳（メタデータ） (2021-10-15T13:28:33Z) - Variance Minimization in the Wasserstein Space for Invariant Causal
Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。
これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。
我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文 参考訳（メタデータ） (2021-10-13T22:30:47Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Information-Theoretic Approximation to Causal Models [0.0]
有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。
X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。
本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
論文 参考訳（メタデータ） (2020-07-29T18:34:58Z)
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。