論文の概要: Causal Identification with Additive Noise Models: Quantifying the Effect of Noise

• arxiv url: http://arxiv.org/abs/2110.08087v1
• Date: Fri, 15 Oct 2021 13:28:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 18:36:58.348672
• Title: Causal Identification with Additive Noise Models: Quantifying the Effect of Noise
• Title（参考訳）: 付加雑音モデルによる因果同定:雑音の影響の定量化
• Authors: Benjamin Kap, Marharyta Aleksandrova, Thomas Engel
• Abstract要約: 本研究では,異なる雑音レベルが付加雑音モデルに及ぼす影響について検討し,因果関係の方向を同定する。 加法雑音のレベルが原因雑音の1%から10000%に徐々に変化するような網羅的な範囲のモデルを用いる。 実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。
• 参考スコア（独自算出の注目度）: 5.037636944933989
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In recent years, a lot of research has been conducted within the area of causal inference and causal learning. Many methods have been developed to identify the cause-effect pairs in models and have been successfully applied to observational real-world data to determine the direction of causal relationships. Yet in bivariate situations, causal discovery problems remain challenging. One class of such methods, that also allows tackling the bivariate case, is based on Additive Noise Models (ANMs). Unfortunately, one aspect of these methods has not received much attention until now: what is the impact of different noise levels on the ability of these methods to identify the direction of the causal relationship. This work aims to bridge this gap with the help of an empirical study. We test Regression with Subsequent Independence Test (RESIT) using an exhaustive range of models where the level of additive noise gradually changes from 1\% to 10000\% of the causes' noise level (the latter remains fixed). Additionally, the experiments in this work consider several different types of distributions as well as linear and non-linear models. The results of the experiments show that ANMs methods can fail to capture the true causal direction for some levels of noise.
• Abstract（参考訳）: 近年,因果推論や因果学習の分野で多くの研究が行われている。 モデルにおける因果効果対を同定するために多くの方法が開発され、因果関係の方向を決定するために観測実世界データにうまく適用されている。 しかし、二変量体では因果発見の問題はまだ難しい。 このような手法の1つのクラスは、二変量の場合も扱えるようにしており、加法ノイズモデル(ANMs)に基づいている。 残念ながら、これらの方法の1つの側面は、これまであまり注目されていない: 異なるノイズレベルが、それらの方法が因果関係の方向性を特定する能力に与える影響である。 この研究は、実証的研究の助けを借りて、このギャップを埋めることを目的としている。 本研究では, 連続独立テスト(RESIT)による回帰テストを行い, 加法雑音のレベルが原因雑音の1\%から10000\%に徐々に変化する(後者は固定されている)。 さらに、この研究における実験は、線形および非線形モデルと同様に、いくつかの異なる種類の分布を考える。 実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。

関連論文リスト

• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• 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)
• Comparative Study on the Effects of Noise in ML-Based Anxiety Detection [0.0]
  ノイズがモデル性能にどのように影響するかを考察し、ノイズの多い実環境に頑健なモデルを開発する。 生理的覚醒のレベルを分類する機械学習モデルにおいて,様々なノイズの強度が与える影響を比較した。
  論文  参考訳（メタデータ） (2023-06-01T19:52:24Z)
• Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing [19.23479356810746]
  因果発見の根本的な問題は因果推論であり、2つの確率変数間の正しい因果方向を学習する。 最近導入されたヘテロセダスティックな位置スケールノイズ汎関数モデル(LSNM)は、表現力と識別可能性の保証を組み合わせたものである。 雑音分布が正しく特定された場合,LSNMモデル選択が最先端の精度を実現することを示す。
  論文  参考訳（メタデータ） (2023-01-26T20:48:32Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• 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)
• The Effect of Noise Level on Causal Identification with Additive Noise Models [0.0]
  本研究では,雑音レベルの違いが付加雑音モデルに及ぼす影響を考察し,因果関係の方向を同定する。 textitRegression with Subsequent Independence Test とtextitIdentification using Conditional Variances の2つの方法が選択された。 実験の結果、これらの手法はある種のノイズに対して真の因果方向を捉えることができないことが示された。
  論文  参考訳（メタデータ） (2021-08-24T11:18:41Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。