論文の概要: Causality and Generalizability: Identifiability and Learning Methods
- arxiv url: http://arxiv.org/abs/2110.01430v1
- Date: Mon, 4 Oct 2021 13:12:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 19:45:10.462147
- Title: Causality and Generalizability: Identifiability and Learning Methods
- Title（参考訳）: 因果性と一般化可能性:識別可能性と学習方法
- Authors: Martin Emil Jakobsen
- Abstract要約: この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。
本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。
本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This PhD thesis contains several contributions to the field of statistical
causal modeling. Statistical causal models are statistical models embedded with
causal assumptions that allow for the inference and reasoning about the
behavior of stochastic systems affected by external manipulation
(interventions). This thesis contributes to the research areas concerning the
estimation of causal effects, causal structure learning, and distributionally
robust (out-of-distribution generalizing) prediction methods. We present novel
and consistent linear and non-linear causal effects estimators in instrumental
variable settings that employ data-dependent mean squared prediction error
regularization. Our proposed estimators show, in certain settings, mean squared
error improvements compared to both canonical and state-of-the-art estimators.
We show that recent research on distributionally robust prediction methods has
connections to well-studied estimators from econometrics. This connection leads
us to prove that general K-class estimators possess distributional robustness
properties. We, furthermore, propose a general framework for distributional
robustness with respect to intervention-induced distributions. In this
framework, we derive sufficient conditions for the identifiability of
distributionally robust prediction methods and present impossibility results
that show the necessity of several of these conditions. We present a new
structure learning method applicable in additive noise models with directed
trees as causal graphs. We prove consistency in a vanishing identifiability
setup and provide a method for testing substructure hypotheses with asymptotic
family-wise error control that remains valid post-selection. Finally, we
present heuristic ideas for learning summary graphs of nonlinear time-series
models.
- Abstract（参考訳）: この博士論文は統計因果モデリングの分野へのいくつかの貢献を含んでいる。
統計的因果モデルは、外的操作(干渉)によって影響を受ける確率システムの振る舞いについて推論と推論を可能にする因果的仮定を組み込んだ統計モデルである。
この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な(分布外一般化)予測法に関する研究領域に寄与する。
本研究では,データ依存平均二乗予測誤差正則化を用いたインストゥルメンタル変数設定における線形および非線形因果効果推定器を提案する。
提案した推定器は,正準および最先端の両推定器と比較して2乗誤差の改善率を示す。
分布にロバストな予測手法に関する最近の研究は、計量学からよく研究された推定器との関連性を示している。
この接続により、一般のKクラス推定器が分布的ロバスト性を持つことを示す。
さらに、介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
本研究では,分布的に堅牢な予測手法の同定に十分な条件を導出し,これらの条件のいくつかの必要性を示す不確実性結果を示す。
本稿では,有向木を因果グラフとする付加雑音モデルに適用可能な新しい構造学習法を提案する。
消去された識別可能性設定における一貫性を証明し、非漸近的な家族的エラー制御による部分構造仮説の検証方法を提供する。
最後に,非線形時系列モデルの要約グラフを学習するためのヒューリスティックなアイデアを提案する。
関連論文リスト
- Ensemble Prediction via Covariate-dependent Stacking [0.0]
本研究は,CDST (Co-dependent stacking') という,アンサンブル予測の新しい手法を提案する。
従来の積み重ね方式とは異なり、CDSTはモデルウェイトを共変量の関数として柔軟に変化させ、複雑なシナリオにおける予測性能を向上させる。
以上の結果から,CDSTは時間的・時間的予測の問題に特に有用であり,様々なデータ分析分野の研究者や実践者にとって強力なツールとなることが示唆された。
論文 参考訳（メタデータ） (2024-08-19T07:31:31Z) - Quantifying Distribution Shifts and Uncertainties for Enhanced Model Robustness in Machine Learning Applications [0.0]
本研究では,合成データを用いたモデル適応と一般化について検討する。
我々は、データ類似性を評価するために、Kullback-Leiblerの発散、Jensen-Shannon距離、Mahalanobis距離などの量的尺度を用いる。
本研究は,マハラノビス距離などの統計指標を用いて,モデル予測が低誤差の「補間体制」内にあるか,あるいは高誤差の「補間体制」が分布変化とモデル不確実性を評価するための補完的手法を提供することを示唆している。
論文 参考訳（メタデータ） (2024-05-03T10:05:31Z) - Causality-oriented robustness: exploiting general additive interventions [3.871660145364189]
本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。
線形環境では、DRIGがデータ依存の分布シフトのクラスの中で頑健な予測を得られることを証明している。
我々は、予測性能をさらに向上させるために、半教師付きドメイン適応設定にアプローチを拡張した。
論文 参考訳（メタデータ） (2023-07-18T16:22:50Z) - 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) - The Lifecycle of a Statistical Model: Model Failure Detection,
Identification, and Refitting [26.351782287953267]
モデル性能が低下し始めた共変量空間(サブポピュレーション)の領域を検出し同定するためのツールと理論を開発した。
実世界の3つのデータセットを用いて実験結果を示す。
我々はこれらの実験結果を補足し、我々の手法が異常なサブ集団の回復に最適であることを示す理論で補足する。
論文 参考訳（メタデータ） (2022-02-08T22:02:31Z) - 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) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z) - A comprehensive study on the prediction reliability of graph neural
networks for virtual screening [0.0]
本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。
その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
論文 参考訳（メタデータ） (2020-03-17T10:13:31Z)
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。