論文の概要: Causal Inference Despite Limited Global Confounding via Mixture Models

• arxiv url: http://arxiv.org/abs/2112.11602v4
• Date: Tue, 11 Apr 2023 22:49:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 19:34:04.765953
• Title: Causal Inference Despite Limited Global Confounding via Mixture Models
• Title（参考訳）: 混合モデルによる大域的制約に拘わらず因果推論
• Authors: Spencer L. Gordon, Bijan Mazaheri, Yuval Rabani, Leonard J. Schulman
• Abstract要約: そのようなモデルの有限$k$-mixtureは、図式的により大きなグラフで表される。 空でないDAGの混合を学習するための最初のアルゴリズムを与える。
• 参考スコア（独自算出の注目度）: 4.721845865189578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A Bayesian Network is a directed acyclic graph (DAG) on a set of $n$ random variables (the vertices); a Bayesian Network Distribution (BND) is a probability distribution on the random variables that is Markovian on the graph. A finite $k$-mixture of such models is graphically represented by a larger graph which has an additional "hidden" (or "latent") random variable $U$, ranging in $\{1,\ldots,k\}$, and a directed edge from $U$ to every other vertex. Models of this type are fundamental to causal inference, where $U$ models an unobserved confounding effect of multiple populations, obscuring the causal relationships in the observable DAG. By solving the mixture problem and recovering the joint probability distribution on $U$, traditionally unidentifiable causal relationships become identifiable. Using a reduction to the more well-studied "product" case on empty graphs, we give the first algorithm to learn mixtures of non-empty DAGs.
• Abstract（参考訳）: ベイジアンネットワーク(英: Bayesian Network)は、$n$の確率変数(頂点)の集合上の有向非巡回グラフ(DAG)であり、ベイジアンネットワーク分布(BND)は、グラフ上のマルコビアンである確率変数上の確率分布である。 そのようなモデルの有限 $k$-mixture は、追加の "hidden" (または "latent") 確率変数 $u$ を持ち、$\{1,\ldots,k\}$ と、$u$ から他のすべての頂点への有向辺を持つ大きなグラフによってグラフィカルに表現される。 このタイプのモデルは因果推論の基本であり、$u$ は観測可能なdagの因果関係を欠く複数の集団の観測不能な共起効果をモデル化する。 混合問題の解法と$U$上の結合確率分布の復元により、伝統的に同定不可能な因果関係が同定可能となる。 空グラフ上のよりよく研究された「積」ケースへの還元を用いて、空でないDAGの混合を学習する最初のアルゴリズムを与える。

関連論文リスト

• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
  本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。 植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
  論文  参考訳（メタデータ） (2024-02-01T03:39:01Z)
• Understanding Heterophily for Graph Neural Networks [42.640057865981156]
  グラフニューラルネットワーク(GNN)における異方性パターンの影響に関する理論的理解について述べる。 分離性ゲインは、$l$の近隣分布の正規化距離によって決定されることを示す。 合成データと実世界のデータの両方の実験により、我々の理論の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-17T11:01:28Z)
• Inferences on Mixing Probabilities and Ranking in Mixed-Membership Models [5.992878098797828]
  ネットワークデータは、経済や健康ネットワークを含む多くのビッグデータアプリケーションで広く利用されている。 本稿では,Degree-Corrected Mixed Membership (DCMM)モデルを用いてネットワークをモデル化する。 我々は、$boldsymbolpi_i(k)$sに対して、メンバシップ混合確率と他の関連する集団量の分布と信頼区間を得られるような、新しい有限サンプル展開を導出する。
  論文  参考訳（メタデータ） (2023-08-29T02:35:45Z)
• Causal Bandits for Linear Structural Equation Models [58.2875460517691]
  本稿では,因果図形モデルにおける最適な介入順序を設計する問題について検討する。 グラフの構造は知られており、ノードは$N$である。 頻繁性(UCBベース)とベイズ的設定に2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-26T16:21:31Z)
• Diffusion models as plug-and-play priors [98.16404662526101]
  我々は、事前の$p(mathbfx)$と補助的な制約である$c(mathbfx,mathbfy)$からなるモデルにおいて、高次元データ$mathbfx$を推論する問題を考える。 拡散モデルの構造は,異なるノイズ量に富んだ定性デノナイジングネットワークを通じて,微分を反復することで近似推論を行うことができる。
  論文  参考訳（メタデータ） (2022-06-17T21:11:36Z)
• Combinatorial Causal Bandits [25.012065471684025]
  因果的包帯において、学習エージェントは、各ラウンドで最大$K$変数を選択して介入し、ターゲット変数$Y$に対する期待される後悔を最小限にすることを目的としている。 因果モデルの簡潔なパラメトリック表現を用いた二元一般化線形モデル(BGLM)の文脈下で検討する。 マルコフ BGLM に対するアルゴリズム BGLM-OFU を最大推定法に基づいて提案し,O(sqrtTlog T)$ regret, ここでは$T$ が時間地平線となることを示す。
  論文  参考訳（メタデータ） (2022-06-04T14:14:58Z)
• On the Generative Utility of Cyclic Conditionals [103.1624347008042]
  2つの条件付きモデル$p(x|z)$を用いて、共同分布$p(x,z)$をモデル化できるかどうか、また、どのようにしてサイクルを形成するかを検討する。 本稿では,周期条件生成モデリングのためのCyGenフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-30T10:23:45Z)
• Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs [39.24319581164022]
  潜在変数グラフを推定するための一般化独立雑音(GIN)条件を提案する。 GINは潜伏変数の探索と因果方向を含む因果構造の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2020-10-10T06:11:06Z)
• Fairness constraints can help exact inference in structured prediction [37.76221231305701]
  直交連結グラフ$G$と2進ラベルの真のベクトルを持つ生成モデルについて検討する。 フェアネスとモデル性能の間の既知のトレードオフとは対照的に、フェアネス制約の追加は正確なリカバリの確率を向上させる。
  論文  参考訳（メタデータ） (2020-07-01T04:11:29Z)
• 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。