論文の概要: Iterative Causal Discovery in the Possible Presence of Latent
Confounders and Selection Bias
- arxiv url: http://arxiv.org/abs/2111.04095v1
- Date: Sun, 7 Nov 2021 14:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 13:47:48.495773
- Title: Iterative Causal Discovery in the Possible Presence of Latent
Confounders and Selection Bias
- Title（参考訳）: 潜在的共同設立者と選択バイアスの関連性における反復因果発見
- Authors: Raanan Y. Rohekar, Shami Nisimov, Yaniv Gurwicz, Gal Novik
- Abstract要約: 本稿では,潜在的共同設立者と選択バイアスの存在下で因果グラフを復元するための,健全で完全なアルゴリズムを提案する。
ICDは因果マルコフと忠実性の仮定に依存し、基礎となる因果グラフの同値類を復元する。
ICDはCIテストが著しく少なく、FCI、FCI+、RFCIアルゴリズムよりも正確な因果グラフを学習できることを実証的に実証した。
- 参考スコア（独自算出の注目度）: 7.570246812206772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a sound and complete algorithm, called iterative causal discovery
(ICD), for recovering causal graphs in the presence of latent confounders and
selection bias. ICD relies on the causal Markov and faithfulness assumptions
and recovers the equivalence class of the underlying causal graph. It starts
with a complete graph, and consists of a single iterative stage that gradually
refines this graph by identifying conditional independence (CI) between
connected nodes. Independence and causal relations entailed after any iteration
are correct, rendering ICD anytime. Essentially, we tie the size of the CI
conditioning set to its distance on the graph from the tested nodes, and
increase this value in the successive iteration. Thus, each iteration refines a
graph that was recovered by previous iterations having smaller conditioning
sets -- a higher statistical power -- which contributes to stability. We
demonstrate empirically that ICD requires significantly fewer CI tests and
learns more accurate causal graphs compared to FCI, FCI+, and RFCI algorithms.
- Abstract（参考訳）: 我々は,潜在共起者と選択バイアスの存在下で因果グラフを復元する反復因果探索(icd)と呼ばれる,健全かつ完全なアルゴリズムを提案する。
ICDは因果マルコフと忠実性の仮定に依存し、基礎となる因果グラフの同値類を復元する。
完全なグラフから始まり、連結ノード間の条件独立性(CI)を識別することで、このグラフを徐々に洗練する単一の反復段階からなる。
独立性と因果関係は、イテレーションが正しければいつでもICDを発生させる。
本質的には、CI条件セットのサイズをテストノードからグラフ上の距離に結び付け、連続したイテレーションでこの値を増大させます。
したがって、各イテレーションは、より小さなコンディショニングセットを持つ以前のイテレーションによって復元されたグラフを洗練し、安定性に寄与する。
ICDはCIテストが著しく少なく、FCI、FCI+、RFCIアルゴリズムよりも正確な因果グラフを学習できることを実証的に実証した。
関連論文リスト
- IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。
本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
論文 参考訳（メタデータ） (2024-08-23T16:24:40Z) - Causal Discovery with Fewer Conditional Independence Tests [15.876392307650248]
我々の研究は、条件付き独立テストの数を減らすことで、基礎となる因果グラフについて何が学べるかを特徴づけることに重点を置いている。
隠れ因果グラフの粗い表現を多数のテストで学習できることを示す。
その結果,本研究では,多数のテストで真の因果グラフを復元するアルゴリズムを初めて提案した。
論文 参考訳（メタデータ） (2024-06-03T22:27:09Z) - Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes [7.103713918313219]
条件付き独立性(CI)の制約を、選択した間隔で調整する。
我々は,完全かつ完全な因果探索アルゴリズムを提案し,完全な観測データと部分的な観測データの両方を扱えるようにした。
また、これらの制約をデータから推測するために、フレキシブルで一貫したカーネルベースのCIテストを提案する。
論文 参考訳（メタデータ） (2024-02-28T16:58:31Z) - Causal Layering via Conditional Entropy [85.01590667411956]
因果発見は、生成した観測可能なデータから観測されていない因果グラフに関する情報を回収することを目的としている。
我々は、条件付きエントロピーオラクルを介してデータにアクセスすることによって、グラフの階層化を回復する方法を提供する。
論文 参考訳（メタデータ） (2024-01-19T05:18:28Z) - From Temporal to Contemporaneous Iterative Causal Discovery in the
Presence of Latent Confounders [6.365889364810238]
本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。
我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。
提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
論文 参考訳（メタデータ） (2023-06-01T12:46:06Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳（メタデータ） (2023-02-08T08:17:43Z) - Online Inference for Mixture Model of Streaming Graph Signals with
Non-White Excitation [34.30390182564043]
フィルタされた低域通過グラフ信号と、おそらく非白色および低ランクの励起の混合モデルについて検討する。
本稿では,グラフのノード中心性に着目した推論問題を考える。
本稿では,ストリーミングデータからの推論のための新しいオンラインEMアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-28T11:25:47Z) - A Single Iterative Step for Anytime Causal Discovery [7.570246812206772]
観測された非介入データから因果グラフを回復するための健全で完全なアルゴリズムを提示する。
我々は因果マルコフと忠実性仮定に依存し、基礎となる因果グラフの同値クラスを回復する。
提案アルゴリズムでは,FCIアルゴリズムと比較して,CIテストと条件セットの大幅な削減が要求される。
論文 参考訳（メタデータ） (2020-12-14T13:46:01Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。