論文の概要: A Kernel Test for Causal Association via Noise Contrastive Backdoor
Adjustment
- arxiv url: http://arxiv.org/abs/2111.13226v1
- Date: Thu, 25 Nov 2021 19:12:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 03:45:22.970987
- Title: A Kernel Test for Causal Association via Noise Contrastive Backdoor
Adjustment
- Title（参考訳）: 騒音コントラスト型バックドア調整による因果関係のカーネルテスト
- Authors: Robert Hu, Dino Sejdinovic and Robin J. Evans
- Abstract要約: 我々は、textitdo-null仮説である$H_0:; p(y|textit do(X=x))=p(y)$をテストする非パラメトリックな方法を開発した。
我々は,バックドアHSIC (bd-HSIC) が校正され,多数の共同設立者の下でバイナリと継続的治療を行う能力を持っていることを実証した。
- 参考スコア（独自算出の注目度）: 13.518889416724726
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal inference grows increasingly complex as the number of confounders
increases. Given treatments $X$, confounders $Z$ and outcomes $Y$, we develop a
non-parametric method to test the \textit{do-null} hypothesis $H_0:\;
p(y|\text{\it do}(X=x))=p(y)$ against the general alternative. Building on the
Hilbert Schmidt Independence Criterion (HSIC) for marginal independence
testing, we propose backdoor-HSIC (bd-HSIC) and demonstrate that it is
calibrated and has power for both binary and continuous treatments under a
large number of confounders. Additionally, we establish convergence properties
of the estimators of covariance operators used in bd-HSIC. We investigate the
advantages and disadvantages of bd-HSIC against parametric tests as well as the
importance of using the do-null testing in contrast to marginal independence
testing or conditional independence testing. A complete implementation can be
found at
\hyperlink{https://github.com/MrHuff/kgformula}{\texttt{https://github.com/MrHuff/kgformula}}.
- Abstract（参考訳）: 共同ファウンダーの数が増加するにつれて、因果推論はますます複雑化する。
X$, 共同設立者$Z$, 結果$Y$を条件に, 一般の代替案に対して, <textit{do-null} 仮説 $H_0:\; p(y|\text{\it do}(X=x))=p(y)$ をテストする非パラメトリックな方法を開発する。
限界独立試験のためのヒルベルト・シュミット独立基準(HSIC)に基づいて、バックドアHSIC(bd-HSIC)を提案し、それが校正され、多くの共同設立者の下でバイナリと継続的な治療を行う力を持っていることを実証する。
さらに、bd-HSICで用いられる共分散作用素の推定子の収束特性を確立する。
パラメトリックテストに対するbd-hsicのアドバンテージとデメリットと,境界独立性テストや条件独立性テストとは対照的にdo-nullテストを使うことの重要性について検討した。
完全な実装は \hyperlink{https://github.com/MrHuff/kgformula}{\textt{https://github.com/MrHuff/kgformula}} で見ることができる。
関連論文リスト
- Perturb-and-Project: Differentially Private Similarities and Marginals [73.98880839337873]
差分プライバシーのための入力摂動フレームワークを再検討し、入力にノイズを付加する。
まず、ペアワイズ・コサイン類似性をプライベートにリリースするための新しい効率的なアルゴリズムを設計する。
我々は,$k$の辺縁クエリを$n$の機能に対して計算する新しいアルゴリズムを導出する。
論文 参考訳（メタデータ） (2024-06-07T12:07:16Z) - Collaborative non-parametric two-sample testing [55.98760097296213]
目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。
グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。
提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
論文 参考訳（メタデータ） (2024-02-08T14:43:56Z) - Differentially Private Conditional Independence Testing [35.376975903797444]
条件独立テスト(CI)は統計データ解析に広く用いられている。
本研究では,差分プライバシー制約下での条件付き独立試験について検討する。
論文 参考訳（メタデータ） (2023-06-11T16:46:00Z) - Nystr\"om $M$-Hilbert-Schmidt Independence Criterion [0.0]
カーネルをユビキタスにする主な特徴は、 (i) 設計された領域の数、 (ii) カーネルに関連する関数クラスのヒルベルト構造、 (iii) 情報を失うことなく確率分布を表現する能力である。
我々は、Mge 2$のケースを処理し、その一貫性を証明し、その適用性を実証する代替のNystr"omベースのHSIC推定器を提案する。
論文 参考訳（メタデータ） (2023-02-20T11:51:58Z) - A Permutation-Free Kernel Independence Test [36.50719125230106]
非パラメトリック独立試験では、i.d. data $(X_i,Y_i)_i=1n$, where $X in MathcalX, Y in MathcalY$ is in any general space。
カーネルHilbert-Schmidt Independence Criterion (HSIC) や Distance Covariance (dCov) のような現代のテスト統計は、基礎となるU統計の縮退により、難解なnull分布を持つ。
本稿では,HSICの簡易かつ非自明な修正について述べる。
論文 参考訳（メタデータ） (2022-12-18T15:28:16Z) - Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳（メタデータ） (2022-12-14T18:08:42Z) - Near-optimal fitting of ellipsoids to random points [68.12685213894112]
楕円体をランダムな点に合わせるという基本的な問題は、低ランク行列分解、独立成分分析、主成分分析に関係している。
我々はこの予想を、ある$n = Omega(, d2/mathrmpolylog(d))$ に対する適合楕円体を構成することで対数的因子まで解決する。
我々の証明は、ある非標準確率行列の便利な分解を用いて、サンダーソン等最小二乗構成の実現可能性を示す。
論文 参考訳（メタデータ） (2022-08-19T18:00:34Z) - Sharp Constants in Uniformity Testing via the Huber Statistic [16.384142529375435]
一様性テスト(英: Uniformity testing)は、プロパティテストにおいて最もよく研究されている問題の1つである。
1-デルタ確率を持つ任意の$epsilon$-far分布と$m$要素上の均一分布を区別する最適なサンプル複雑性は$nであることが知られている。
衝突試験機は, 均一入力と非一様入力の分離の標準偏差数において, 急激な最大定数を達成することを示す。
論文 参考訳（メタデータ） (2022-06-21T20:43:53Z) - Efficient Aggregated Kernel Tests using Incomplete $U$-statistics [22.251118308736327]
提案した3つのテストは、複数のカーネル帯域に集約され、さまざまなスケールでnullからの離脱を検出する。
提案した線形時間集約テストは,現在最先端の線形時間カーネルテストよりも高い出力が得られることを示す。
論文 参考訳（メタデータ） (2022-06-18T12:30:06Z) - The Sample Complexity of Robust Covariance Testing [56.98280399449707]
i. i. d.
形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。
汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。
サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
論文 参考訳（メタデータ） (2020-12-31T18:24:41Z) - Optimal Testing of Discrete Distributions with High Probability [49.19942805582874]
高確率状態に着目して離散分布を試験する問題について検討する。
一定の要素でサンプル最適である近接性および独立性テストのための最初のアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-14T16:09:17Z)
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。