論文の概要: Correcting Confounding via Random Selection of Background Variables
- arxiv url: http://arxiv.org/abs/2202.02150v1
- Date: Fri, 4 Feb 2022 14:27:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 20:30:17.948336
- Title: Correcting Confounding via Random Selection of Background Variables
- Title（参考訳）: 背景変数のランダム選択によるコンファウンディングの補正
- Authors: You-Lin Chen, Lenon Minorics, Dominik Janzing
- Abstract要約: 本稿では,Y 上の X の回帰係数の安定性に基づいて因果関係を同定するための新しい基準を提案する。
我々は、背景の影響に対する対称性の仮定の下で、V が 0 に収束することは X が因果因子を含まない場合に限り証明する。
- 参考スコア（独自算出の注目度）: 15.206717158865022
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a method to distinguish causal influence from hidden confounding
in the following scenario: given a target variable Y, potential causal drivers
X, and a large number of background features, we propose a novel criterion for
identifying causal relationship based on the stability of regression
coefficients of X on Y with respect to selecting different background features.
To this end, we propose a statistic V measuring the coefficient's variability.
We prove, subject to a symmetry assumption for the background influence, that V
converges to zero if and only if X contains no causal drivers. In experiments
with simulated data, the method outperforms state of the art algorithms.
Further, we report encouraging results for real-world data. Our approach aligns
with the general belief that causal insights admit better generalization of
statistical associations across environments, and justifies similar existing
heuristic approaches from the literature.
- Abstract（参考訳）: 対象変数Y,潜在的な因果ドライバX,および多数の背景特徴が与えられた場合,異なる背景特徴の選択に関して,Y上のXの回帰係数の安定性に基づいて因果関係を識別するための新しい基準を提案する。
この目的のために,係数の変動性を測定する統計Vを提案する。
我々は、背景の影響に対する対称性の仮定の下で、V が 0 に収束することは X が因果因子を含まない場合に限り証明する。
シミュレーションデータを用いた実験では、この手法は技術アルゴリズムの状態を上回ります。
さらに、実世界のデータに対する奨励的な結果も報告する。
我々のアプローチは、因果的洞察が環境をまたがる統計的関係のより優れた一般化を認め、文献からの既存のヒューリスティックなアプローチを正当化するという一般的な信念と一致している。
関連論文リスト
- A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。
我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。
提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
論文 参考訳（メタデータ） (2024-03-13T08:40:49Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。
本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
論文 参考訳（メタデータ） (2023-05-09T09:08:39Z) - Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。
いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。
本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2022-08-30T11:12:59Z) - Variance Minimization in the Wasserstein Space for Invariant Causal
Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。
これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。
我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文 参考訳（メタデータ） (2021-10-13T22:30:47Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Reparametrization Invariance in non-parametric Causal Discovery [0.0]
因果発見は、観測データを生成する基礎となる物理過程を推定する。
この研究では、X と Y の間の因果関係は X と Y の辺分布に不変である。
論文 参考訳（メタデータ） (2020-08-12T20:00:47Z) - Information-Theoretic Approximation to Causal Models [0.0]
有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。
X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。
本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
論文 参考訳（メタデータ） (2020-07-29T18:34:58Z)
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。