論文の概要: DoWhy: Addressing Challenges in Expressing and Validating Causal Assumptions

• arxiv url: http://arxiv.org/abs/2108.13518v1
• Date: Fri, 27 Aug 2021 11:07:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 14:37:10.556562
• Title: DoWhy: Addressing Challenges in Expressing and Validating Causal Assumptions
• Title（参考訳）: DoWhy: 因果推定の表現と検証における課題
• Authors: Amit Sharma, Vasilis Syrgkanis, Cheng Zhang, Emre K{\i}c{\i}man
• Abstract要約: DoWhyは因果グラフを通じて仮定の明示的な宣言を可能にするフレームワークである。 これらの仮定のサブセットをチェックするために、複数の検証テストを提供する。 DoWhyでの私たちの経験は、将来の研究のためのオープンな質問をいくつか取り上げています。
• 参考スコア（独自算出の注目度）: 40.70930937915354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimation of causal effects involves crucial assumptions about the data-generating process, such as directionality of effect, presence of instrumental variables or mediators, and whether all relevant confounders are observed. Violation of any of these assumptions leads to significant error in the effect estimate. However, unlike cross-validation for predictive models, there is no global validator method for a causal estimate. As a result, expressing different causal assumptions formally and validating them (to the extent possible) becomes critical for any analysis. We present DoWhy, a framework that allows explicit declaration of assumptions through a causal graph and provides multiple validation tests to check a subset of these assumptions. Our experience with DoWhy highlights a number of open questions for future research: developing new ways beyond causal graphs to express assumptions, the role of causal discovery in learning relevant parts of the graph, and developing validation tests that can better detect errors, both for average and conditional treatment effects. DoWhy is available at https://github.com/microsoft/dowhy.
• Abstract（参考訳）: 因果効果の推定には、効果の方向性、機器変数や仲介者の存在、そしてすべての関連する共同設立者が観察されるかどうかといった、データ生成プロセスに関する重要な仮定が含まれる。 これらの仮定の違反は、効果推定において重大な誤差をもたらす。 しかし、予測モデルに対するクロスバリデーションとは異なり、因果推定のためのグローバルバリデータ法は存在しない。 その結果、異なる因果的仮定を形式的に表現し、それらを(可能な限り)検証することは、あらゆる分析に不可欠となる。 因果グラフを通じて仮定を明示的に宣言し、これらの仮定のサブセットをチェックするために複数の検証テストを提供するフレームワークであるdowhyを提案する。 仮定を表現するための因果グラフ以外の新しい方法の開発、グラフの関連部分の学習における因果発見の役割、平均的および条件的治療効果の両方においてエラーをよりよく検出できる検証テストの開発です。 dowhyはhttps://github.com/microsoft/dowhyで入手できる。

関連論文リスト

• Score matching through the roof: linear, nonlinear, and latent variables causal discovery [18.46845413928147]
  観測データからの因果発見は、非常に有望である。 既存の手法は根底にある因果構造に関する強い仮定に依存している。 線形・非線形・潜在変数モデルにまたがる因果探索のためのフレキシブルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-26T14:09:06Z)
• Self-Compatibility: Evaluating Causal Discovery without Ground Truth [28.72650348646176]
  本研究では,基底真理が存在しない場合に因果発見アルゴリズムの出力をfalsificationする新しい手法を提案する。 我々の重要な洞察は、統計的学習がデータポイントのサブセット間の安定性を求める一方で、因果学習は変数のサブセット間の安定性を求めるべきであるということである。 本研究では,不整合性の検出が,仮定や誤差が有限なサンプル効果によって誤って因果関係を推定することを証明する。
  論文  参考訳（メタデータ） (2023-07-18T18:59:42Z)
• 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)
• 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 Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• DoWhy: An End-to-End Library for Causal Inference [16.764873959182765]
  因果仮定で構築されたオープンソースのPythonライブラリであるDoWhyを,その第一級市民として説明する。 DoWhy氏は、あらゆる因果解析に共通する4つのステップのAPIを提示している。 特にDoWhyは、プラセボテスト、ブートストラップテスト、未発見のコンバウンディングのテストなど、多数のチェックを実装している。
  論文  参考訳（メタデータ） (2020-11-09T06:22:11Z)
• 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。