論文の概要: Exploiting Independent Instruments: Identification and Distribution Generalization

• arxiv url: http://arxiv.org/abs/2202.01864v1
• Date: Thu, 3 Feb 2022 21:49:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 15:11:22.892358
• Title: Exploiting Independent Instruments: Identification and Distribution Generalization
• Title（参考訳）: 独立機器の活用:識別と流通の一般化
• Authors: Sorawit Saengkyongam, Leonard Henckel, Niklas Pfister, and Jonas Peters
• Abstract要約: 我々は、より高い瞬間を考慮に入れ、分布一般化の独立性を利用する。 提案した推定器は楽器の分布シフトに不変であることを示す。 これらの結果は、楽器が因果関数を識別するのに十分な豊かでない場合においても成り立つ。
• 参考スコア（独自算出の注目度）: 3.701112941066256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instrumental variable models allow us to identify a causal function between covariates X and a response Y, even in the presence of unobserved confounding. Most of the existing estimators assume that the error term in the response Y and the hidden confounders are uncorrelated with the instruments Z. This is often motivated by a graphical separation, an argument that also justifies independence. Posing an independence condition, however, leads to strictly stronger identifiability results. We connect to existing literature in econometrics and provide a practical method for exploiting independence that can be combined with any gradient-based learning procedure. We see that even in identifiable settings, taking into account higher moments may yield better finite sample results. Furthermore, we exploit the independence for distribution generalization. We prove that the proposed estimator is invariant to distributional shifts on the instruments and worst-case optimal whenever these shifts are sufficiently strong. These results hold even in the under-identified case where the instruments are not sufficiently rich to identify the causal function.
• Abstract（参考訳）: 機器変数モデルにより、観測されていない共変量 X と応答 Y の間の因果関数を特定できる。 既存の推定者の多くは、応答 Y と隠れた共同創設者の誤り項は、楽器 Z とは無関係であると仮定している。 しかし、独立状態をとることは、より強い識別可能性の結果をもたらす。 我々は,既存の計量学文献に接続し,任意の勾配に基づく学習手順と組み合わせることができる独立性を活用した実践的手法を提供する。 特定可能な設定であっても、より高いモーメントを考慮に入れれば、より優れた有限サンプル結果が得られる。 さらに,流通の一般化に独立性を利用する。 提案した推定器は, 楽器の分布シフトに不変であり, これらのシフトが十分に強い場合, 最悪の場合最適であることを示す。 これらの結果は、機器が十分に豊かで因果関数を識別できない未確認のケースでも成り立つ。

関連論文リスト

• To Believe or Not to Believe Your LLM [51.2579827761899]
  大規模言語モデル(LLM)における不確実性定量化について検討する。 疫学的な不確実性が大きい場合にのみ確実に検出できる情報理論の指標を導出する。 定式化の利点を実証する一連の実験を行う。
  論文  参考訳（メタデータ） (2024-06-04T17:58:18Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• Embrace the Gap: VAEs Perform Independent Mechanism Analysis [36.686468842036305]
  ほぼ決定論的デコーダの極限における非線形VAEについて検討する。 我々は、データ生成プロセスがIMAの仮定を満たすとき、VAEが真の潜伏要因を明らかにすることを示す。
  論文  参考訳（メタデータ） (2022-06-06T08:19:19Z)
• Identifiability of Sparse Causal Effects using Instrumental Variables [11.97552507834888]
  本稿では,共変量$X$の応答に対する因果効果が疎い線形モデルを考える。 観測された分布から因果係数が同定可能な条件を提供する。 推定器として、空間IVを提案し、モデルが同定可能であれば因果効果を常に推定することを証明する。
  論文  参考訳（メタデータ） (2022-03-17T15:15:52Z)
• Binary Independent Component Analysis via Non-stationarity [7.283533791778359]
  本稿では,バイナリデータの独立成分分析について考察する。 まず,線形混合モデルを連続値の潜在空間に仮定し,次に2値の観測モデルを仮定する。 連続値の場合とは対照的に、観測変数が少ないモデルの非識別性を証明する。
  論文  参考訳（メタデータ） (2021-11-30T14:23:53Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。