論文の概要: Partially Intervenable Causal Models
- arxiv url: http://arxiv.org/abs/2110.12541v1
- Date: Sun, 24 Oct 2021 22:24:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 09:08:21.188712
- Title: Partially Intervenable Causal Models
- Title（参考訳）: 部分的な因果モデル
- Authors: AmirEmad Ghassami, Ilya Shpitser
- Abstract要約: 我々は、グラフィカルモデルの定義を許容される介入の限定セットで定義するために、因果関係に対するグラフィカルおよび潜在的結果の統一に基づいて構築する。
この結果のまとめは、介入の制限された別のグラフィカルなフレームワークにおける因果効果の完全な同定理論である。
- 参考スコア（独自算出の注目度）: 22.264327945288642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphical causal models led to the development of complete non-parametric
identification theory in arbitrary structured systems, and general approaches
to efficient inference. Nevertheless, graphical approaches to causal inference
have not been embraced by the statistics and public health communities. In
those communities causal assumptions are instead expressed in terms of
potential outcomes, or responses to hypothetical interventions. Such
interventions are generally conceptualized only on a limited set of variables,
where the corresponding experiment could, in principle, be performed. By
contrast, graphical approaches to causal inference generally assume
interventions on all variables are well defined - an overly restrictive and
unrealistic assumption that may have limited the adoption of these approaches
in applied work in statistics and public health. In this paper, we build on a
unification of graphical and potential outcomes approaches to causality
exemplified by Single World Intervention Graphs (SWIGs) to define graphical
models with a restricted set of allowed interventions. We give a complete
identification theory for such models, and develop a complete calculus of
interventions based on a generalization of the do-calculus, and axioms that
govern probabilistic operations on Markov kernels. A corollary of our results
is a complete identification theory for causal effects in another graphical
framework with a restricted set of interventions, the decision theoretic
graphical formulation of causality.
- Abstract（参考訳）: グラフィカル因果モデルにより、任意の構造化システムにおいて完全な非パラメトリック識別理論が開発され、効率的な推論への一般的なアプローチが導かれた。
それでも、因果推論に対するグラフィカルなアプローチは統計や公衆衛生のコミュニティには受け入れられていない。
これらのコミュニティでは、因果仮定は潜在的な結果や仮説的介入に対する反応の観点から表現される。
このような介入は一般に、対応する実験を原則として行うことのできる変数の限られたセットにのみ概念化される。
対照的に、因果推論に対するグラフィカルなアプローチは、一般的にすべての変数に対する介入が適切に定義されていると仮定する。
本稿では,Single World Intervention Graphs (SWIGs) によって実証された因果性に対するグラフィカルおよび潜在的結果の統一に基づいて,許容される介入の制限セットでグラフィカルモデルを定義する。
このようなモデルに対する完全な同定理論を与え、do-calculusの一般化に基づく介入の完全な計算とマルコフ核の確率的操作を管理する公理を開発する。
以上の結果の1つとして,決定論的因果性定式化(decision theoretic graphical formula of causality)という制限された介入セットを持つ他のグラフィカルフレームワークにおける因果効果の完全識別理論がある。
関連論文リスト
- Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。
本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。
両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
論文 参考訳（メタデータ） (2024-02-01T14:39:59Z) - Deep Learning With DAGs [5.199807441687141]
我々は、有向非巡回グラフ(DAG)として表される理論を実証的に評価するために、因果グラフ正規化フロー(cGNFs)を導入する。
従来のアプローチとは異なり、cGNFsはアナリストが提供したDAGに従ってデータの完全な関節分布をモデル化する。
論文 参考訳（メタデータ） (2024-01-12T19:35:54Z) - 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) - 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) - 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) - Axiomatization of Interventional Probability Distributions [4.02487511510606]
因果的介入は、do-calculusの規則の下で公理化される。
我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。
また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文 参考訳（メタデータ） (2023-05-08T06:07:42Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - From Causal Pairs to Causal Graphs [1.5469452301122175]
観測データから学習する因果構造は、非自明な課題である。
NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。
本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
論文 参考訳（メタデータ） (2022-11-08T15:28:55Z) - Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。
OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。
コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-11T04:38:39Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳（メタデータ） (2021-07-21T14:22:14Z) - Polynomial-Time Exact MAP Inference on Discrete Models with Global
Dependencies [83.05591911173332]
ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。
本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
論文 参考訳（メタデータ） (2019-12-27T13:30:29Z)
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。