論文の概要: Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows

• arxiv url: http://arxiv.org/abs/2109.02521v1
• Date: Mon, 6 Sep 2021 14:52:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 17:02:52.877481
• Title: Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows
• Title（参考訳）: 正規化流のパラメトリフット下における変分ガウス過程回帰による二変量構造因果モデルの推定
• Authors: Nico Reick, Felix Wiewel, Alexander Bartler and Bin Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.85071867225533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One major drawback of state-of-the-art artificial intelligence is its lack of explainability. One approach to solve the problem is taking causality into account. Causal mechanisms can be described by structural causal models. In this work, we propose a method for estimating bivariate structural causal models using a combination of normalising flows applied to density estimation and variational Gaussian process regression for post-nonlinear models. It facilitates causal discovery, i.e. distinguishing cause and effect, by either the independence of cause and residual or a likelihood ratio test. Our method which estimates post-nonlinear models can better explain a variety of real-world cause-effect pairs than a simple additive noise model. Though it remains difficult to exploit this benefit regarding all pairs from the T\"ubingen benchmark database, we demonstrate that combining the additive noise model approach with our method significantly enhances causal discovery.
• Abstract（参考訳）: 最先端の人工知能の大きな欠点は、その説明可能性の欠如である。 この問題を解決する一つのアプローチは因果関係を考慮に入れることである。 因果機構は構造因果モデルによって記述できる。 本研究では,密度推定に応用した正規化フローと非線型モデルに対する変分ガウス過程回帰を組み合わせた二変量構造因果モデルを推定する手法を提案する。 因果的な発見が促進されます 原因と効果を区別する、原因の独立と残留または可能性比テストによって。 非線型モデルから推定する手法は, 単純な付加雑音モデルよりも, 実世界の様々な因果効果対をよりよく説明できる。 T\'ubingenベンチマークデータベースから得られる全てのペアについて、この利点を利用するのは難しいが、付加的なノイズモデルアプローチと本手法を組み合わせることで因果発見が著しく向上することを示す。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
  非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。 本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
  論文  参考訳（メタデータ） (2024-07-06T07:19:21Z)
• Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
  学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。 我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
  論文  参考訳（メタデータ） (2023-12-15T02:26:35Z)
• 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)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Causal Autoregressive Flows [4.731404257629232]
  自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。 我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-04T13:17:35Z)
• Estimation of Structural Causal Model via Sparsely Mixing Independent Component Analysis [4.7210697296108926]
  非ガウス雑音を持つ線形DAGモデルの新しい推定法を提案する。 提案手法により,因果順序とパラメータを同時に推定できる。 数値実験により,提案手法は既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-07T13:08:10Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。