論文の概要: Ordinal Causal Discovery
- arxiv url: http://arxiv.org/abs/2201.07396v1
- Date: Wed, 19 Jan 2022 03:11:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-20 22:42:56.991243
- Title: Ordinal Causal Discovery
- Title（参考訳）: 通常の因果発見
- Authors: Yang Ni and Bani Mallick
- Abstract要約: 本稿では,多くの実世界のアプリケーションに含まれる順序情報を利用して,因果構造を一意に識別する,識別可能な順序因果探索手法を提案する。
提案手法は, カテゴリー別および非カテゴリ別の両方において, 最先端の代替手法と比較して, 良好かつ堅牢な性能を有することを示す。
- 参考スコア（独自算出の注目度）: 2.0305676256390934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal discovery for purely observational, categorical data is a
long-standing challenging problem. Unlike continuous data, the vast majority of
existing methods for categorical data focus on inferring the Markov equivalence
class only, which leaves the direction of some causal relationships
undetermined. This paper proposes an identifiable ordinal causal discovery
method that exploits the ordinal information contained in many real-world
applications to uniquely identify the causal structure. Simple score-and-search
algorithms are developed for structure learning. The proposed method is
applicable beyond ordinal data via data discretization. Through real-world and
synthetic experiments, we demonstrate that the proposed ordinal causal
discovery method has favorable and robust performance compared to
state-of-the-art alternative methods in both ordinal categorical and
non-categorical data.
- Abstract（参考訳）: 純粋に観察的で分類的なデータの因果発見は、長年の課題である。
連続データとは異なり、分類データの既存のほとんどの方法はマルコフ同値類のみを推論することに集中しており、因果関係の方向は決定されていない。
本稿では,実世界の多くのアプリケーションに含まれる順序情報を利用して因果構造を一意に識別する,同定可能な順序因果発見手法を提案する。
構造学習のための単純なスコア・アンド・サーチアルゴリズムを開発した。
提案手法は, 順序データを超えたデータ離散化に適用できる。
実世界および合成実験により,提案手法は,順序的分類と非カテゴリー的データの両方において,最先端の代替法と比較して良好かつロバストな性能を示すことを実証した。
関連論文リスト
- Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。
選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。
また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-29T20:56:34Z) - A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。
本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
論文 参考訳（メタデータ） (2023-03-27T09:21:41Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Bivariate Causal Discovery for Categorical Data via Classification with
Optimal Label Permutation [2.0305676256390934]
最適ラベル置換(COLP)を用いた新しい分類モデルに基づく分類データのための新しい因果モデルを提案する。
因果的モデルと反因果的モデルの確率関数を比較した単純な学習アルゴリズムは因果的方向を学習するのに十分である。
論文 参考訳（メタデータ） (2022-09-18T15:04:55Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - A Subsampling-Based Method for Causal Discovery on Discrete Data [18.35147325731821]
本研究では,原因発生方式とメカニズムの独立性をテストするためのサブサンプリング方式を提案する。
我々の手法は、離散データと分類データの両方で機能し、データ上の機能的モデルを含まないため、より柔軟なアプローチである。
論文 参考訳（メタデータ） (2021-08-31T17:11:58Z) - Improving Efficiency and Accuracy of Causal Discovery Using a
Hierarchical Wrapper [7.570246812206772]
観測データからの因果発見は、科学の多くの分野において重要なツールである。
大規模なサンプルリミットでは、音と完全な因果探索アルゴリズムが導入されている。
しかし、これらのアルゴリズムが使用する統計的テストのパワーを制限するのは、有限のトレーニングデータのみである。
論文 参考訳（メタデータ） (2021-07-11T09:24:49Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳（メタデータ） (2020-02-05T21:35:29Z)
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。