論文の概要: Causal Inference Using Tractable Circuits

• arxiv url: http://arxiv.org/abs/2202.02891v1
• Date: Mon, 7 Feb 2022 00:09:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 15:46:37.659729
• Title: Causal Inference Using Tractable Circuits
• Title（参考訳）: コントラクタブル回路を用いた因果推論
• Authors: Adnan Darwiche
• Abstract要約: 従来, 因果関係が不明であったモデルに対しては, 因果関係が不明であった場合の確率論的推論が可能であることを示す。 これは、因果機構を計算的に活用できる新しい手法によって実現されているが、それらのアイデンティティを知る必要はない。 我々のゴールは、これらの新しい結果に因果性指向の露出を提供することであり、それらがよりスケーラブルで多目的な因果推論にどのように貢献するかを推測することである。
• 参考スコア（独自算出の注目度）: 11.358487655918676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aim of this paper is to discuss a recent result which shows that probabilistic inference in the presence of (unknown) causal mechanisms can be tractable for models that have traditionally been viewed as intractable. This result was reported recently to facilitate model-based supervised learning but it can be interpreted in a causality context as follows. One can compile a non-parametric causal graph into an arithmetic circuit that supports inference in time linear in the circuit size. The circuit is also non-parametric so it can be used to estimate parameters from data and to further reason (in linear time) about the causal graph parametrized by these estimates. Moreover, the circuit size can sometimes be bounded even when the treewidth of the causal graph is not, leading to tractable inference on models that have been deemed intractable previously. This has been enabled by a new technique that can exploit causal mechanisms computationally but without needing to know their identities (the classical setup in causal inference). Our goal is to provide a causality-oriented exposure to these new results and to speculate on how they may potentially contribute to more scalable and versatile causal inference.
• Abstract（参考訳）: 本研究の目的は,従来難解とされてきたモデルに対して,(未知の)因果的メカニズムの存在下での確率論的推論を抽出可能であることを示す。 この結果はモデルに基づく教師付き学習を容易にするために最近報告されたが、因果関係の文脈で次のように解釈できる。 非パラメトリック因果グラフを、回路サイズで線形な時間内の推論をサポートする演算回路にコンパイルすることができる。 この回路は非パラメトリックなので、データからパラメータを推定したり、これらの推定でパラメータ化された因果グラフについてさらに(線形時間に)推論することができる。 さらに、因果グラフのツリー幅がそうでなくても、回路サイズは境界化されることがあるため、以前に難解と見なされていたモデルの扱いやすい推論に繋がる。 これは、因果メカニズムを計算的に活用できるが、そのアイデンティティ(因果推論の古典的な設定)を知る必要がない新しい技術によって実現されている。 私たちの目標は、これらの新しい結果に対する因果性指向の露出を提供することと、彼らがよりスケーラブルで汎用的な因果推論にどのように貢献できるかを推測することにあります。

関連論文リスト

• Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs [4.647149336191891]
  部分有向グラフにおける因果推論に対して昇降が適用可能であることを示す。 本研究では,部分有向因果係数グラフにおいて,因果推論が昇降レベルでどのように行われるかを示す。
  論文  参考訳（メタデータ） (2024-11-11T14:05:39Z)
• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Lifted Causal Inference in Relational Domains [5.170468311431656]
  関係領域における因果効果を効率的に計算するために,昇降法が適用可能であることを示す。 本稿では,昇降レベルの因果効果を計算するために,昇降因果推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-15T10:44:27Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Interventions and Counterfactuals in Tractable Probabilistic Models: Limitations of Contemporary Transformations [12.47276164048813]
  本研究では,SPNを因果グラフ介入推論に変換すると,限界分布の計算に還元されることを示す。 まず,PSDDから因果グラフを構築するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-29T15:45:47Z)

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。