論文の概要: Partial Counterfactual Identification from Observational and
Experimental Data
- arxiv url: http://arxiv.org/abs/2110.05690v1
- Date: Tue, 12 Oct 2021 02:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 03:08:08.153821
- Title: Partial Counterfactual Identification from Observational and
Experimental Data
- Title（参考訳）: 観測・実験データからの部分的対物同定
- Authors: Junzhe Zhang, Jin Tian, Elias Bareinboim
- Abstract要約: 観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
- 参考スコア（独自算出の注目度）: 83.798237968683
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper investigates the problem of bounding counterfactual queries from
an arbitrary collection of observational and experimental distributions and
qualitative knowledge about the underlying data-generating model represented in
the form of a causal diagram. We show that all counterfactual distributions in
an arbitrary structural causal model (SCM) could be generated by a canonical
family of SCMs with the same causal diagram where unobserved (exogenous)
variables are discrete with a finite domain. Utilizing the canonical SCMs, we
translate the problem of bounding counterfactuals into that of polynomial
programming whose solution provides optimal bounds for the counterfactual
query. Solving such polynomial programs is in general computationally
expensive. We therefore develop effective Monte Carlo algorithms to approximate
the optimal bounds from an arbitrary combination of observational and
experimental data. Our algorithms are validated extensively on synthetic and
real-world datasets.
- Abstract（参考訳）: 本稿では,観測分布および実験分布の任意の集合からの反事実クエリのバウンディング問題と,因果図形式で表される基礎となるデータ生成モデルに関する質的知識について検討する。
任意の構造因果モデル(SCM)におけるすべての反事実分布は、観測されていない(外在的な)変数が有限領域で離散的な同じ因果図を持つSCMの正準族によって生成できることを示す。
正準scmを用いて,反事実クエリに対して解が最適境界を与える多項式プログラミングの問題に反事実のバウンディング問題を翻訳する。
このような多項式プログラムの解法は通常計算コストが高い。
そこで我々は,観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
私たちのアルゴリズムは、合成および実世界のデータセット上で広く検証されています。
関連論文リスト
- Maximum a Posteriori Inference for Factor Graphs via Benders' Decomposition [0.38233569758620056]
一般ベイズ因子モデルにおける最大a-ポストペリオーリ推定法を提案する。
ベイジアン・ガウス混合モデルと潜在ディリクレ割り当てに対するMAP推定アルゴリズムを導出する。
論文 参考訳（メタデータ） (2024-10-24T19:57:56Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - Machine Learning and Variational Algorithms for Lattice Field Theory [1.198562319289569]
格子量子場論の研究において、格子理論を定義するパラメータは連続体物理学にアクセスする臨界性に向けて調整されなければならない。
経路積分の領域に適用される輪郭変形に基づいてモンテカルロ推定器を「変形」する手法を提案する。
我々は,フローベースMCMCが臨界減速を緩和し,オブザーシフォールドが原理的応用のばらつきを指数関数的に低減できることを実証した。
論文 参考訳（メタデータ） (2021-06-03T16:37:05Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳（メタデータ） (2021-03-05T04:42:32Z) - Inference with Aggregate Data: An Optimal Transport Approach [16.274397329511196]
多数の個人が生成した集合データを用いた確率的グラフィカルモデルに対する推論(フィルタリング)問題を考察する。
本稿では,木構造グラフの計算複雑性とグローバルコンバージェンス保証を両立する,効率的な信念伝播アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-31T03:12:20Z)
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。