論文の概要: Restricted Hidden Cardinality Constraints in Causal Models
- arxiv url: http://arxiv.org/abs/2109.05656v1
- Date: Mon, 13 Sep 2021 00:52:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-17 17:09:04.288499
- Title: Restricted Hidden Cardinality Constraints in Causal Models
- Title(参考訳): 因果モデルにおける隠れ基数制限
- Authors: Beata Zjawin, Elie Wolfe, Robert W. Spekkens
- Abstract要約: 観測されていない変数を持つ因果モデルは、観測された変数上の分布に非自明な制約を課す。
我々は、観測されていない変数が既知の濃度を持つことを約束する因果モデルを考える。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal models with unobserved variables impose nontrivial constraints on the
distributions over the observed variables. When a common cause of two variables
is unobserved, it is impossible to uncover the causal relation between them
without making additional assumptions about the model. In this work, we
consider causal models with a promise that unobserved variables have known
cardinalities. We derive inequality constraints implied by d-separation in such
models. Moreover, we explore the possibility of leveraging this result to study
causal influence in models that involve quantum systems.
- Abstract(参考訳): 観測されていない変数を持つ因果モデルは、観測された変数上の分布に非自明な制約を課す。
2つの変数の共通の原因が観測されない場合、モデルについて追加の仮定をすることなく、それらの間の因果関係を明らかにすることは不可能である。
この研究では、観測されていない変数が基数を知っていることを約束する因果モデルを考える。
このようなモデルにおけるd分離による不等式制約を導出する。
さらに、この結果を利用して量子システムを含むモデルにおける因果影響を研究する可能性についても検討する。
関連論文リスト
- Invariance & Causal Representation Learning: Prospects and Limitations [15.935205681539145]
因果モデルでは、与えられたメカニズムは他のメカニズムの変化に不変であると仮定される。
因果変数を同定するには不変性だけでは不十分であることを示す。
論文 参考訳(メタデータ) (2023-12-06T16:16:31Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
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) - Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳(メタデータ) (2023-07-12T15:39:39Z) - On the Use of Generative Models in Observational Causal Analysis [0.0]
仮説生成モデルを用いて観測データの因果解析を行った。
このモデルは単一の観測可能な分布を記述しており、観測された分布から逸脱する介入の影響の連鎖を表現できない。
論文 参考訳(メタデータ) (2023-06-07T21:29:49Z) - 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) - Weight-variant Latent Causal Models [79.79711624326299]
因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。
本研究では,潜伏因果変数の同定に焦点をあてる。
推移性は潜伏因果変数の識別性を著しく阻害することを示す。
本稿では,潜時因果変数を直接学習する構造式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) - A general framework for cyclic and fine-tuned causal models and their
compatibility with space-time [2.0305676256390934]
因果モデリングは、観測された相関の因果的説明を生成するためのツールである。
既存の量子因果関係の枠組みは、微調整されていない非巡回因果構造に焦点を当てる傾向がある。
サイクル因果モデルはフィードバックを含む物理的プロセスのモデル化に使用することができる。
サイクル因果モデルは一般相対性理論のエキゾチック解にも関係があるかもしれない。
論文 参考訳(メタデータ) (2021-09-24T18:00:08Z) - 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) - 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)
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。