論文の概要: Effect Identification in Cluster Causal Diagrams

• arxiv url: http://arxiv.org/abs/2202.12263v1
• Date: Tue, 22 Feb 2022 21:27:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 16:36:29.932456
• Title: Effect Identification in Cluster Causal Diagrams
• Title（参考訳）: クラスター因果図における効果同定
• Authors: Tara V. Anand, Ad\`ele H. Ribeiro, Jin Tian, Elias Bareinboim
• Abstract要約: クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
• 参考スコア（独自算出の注目度）: 51.42809552422494
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: One pervasive task found throughout the empirical sciences is to determine the effect of interventions from non-experimental data. It is well-understood that assumptions are necessary to perform causal inferences, which are commonly articulated through causal diagrams (Pearl, 2000). Despite the power of this approach, there are settings where the knowledge necessary to specify a causal diagram over all observed variables may not be available, particularly in complex, high-dimensional domains. In this paper, we introduce a new type of graphical model called cluster causal diagrams (for short, C-DAGs) that allows for the partial specification of relationships among variables based on limited prior knowledge, alleviating the stringent requirement of specifying a full causal diagram. A C-DAG specifies relationships between clusters of variables, while the relationships between the variables within a cluster are left unspecified. We develop the foundations and machinery for valid causal inferences over C-DAGs. In particular, we first define a new version of the d-separation criterion and prove its soundness and completeness. Secondly, we extend these new separation rules and prove the validity of the corresponding do-calculus. Lastly, we show that a standard identification algorithm is sound and complete to systematically compute causal effects from observational data given a C-DAG.
• Abstract（参考訳）: 経験的科学の至る所で見られる広汎な課題の一つは、非実験データから介入の効果を決定することである。 因果関係図 (pearl, 2000) で表現される因果関係推論を行うには仮定が必要であることがよく理解されている。 このアプローチの力にもかかわらず、すべての観測変数に対して因果図を特定するために必要な知識は、特に複雑で高次元の領域では利用できない設定がある。 本稿では,クラスタ因果ダイアグラム(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入し,限定された事前知識に基づいて変数間の関係を部分的に定義し,完全な因果ダイアグラムを特定するという厳密な要求を緩和する。 C-DAGは変数のクラスタ間の関係を指定し、クラスタ内の変数間の関係は未特定のままである。 C-DAGに対する因果推論のための基礎と機械を開発する。 特に、まずd-セパレーション基準の新しいバージョンを定義し、その健全性と完全性を証明する。 次に,これら新たな分離規則を拡張し,対応するdo計算の有効性を証明する。 最後に、標準識別アルゴリズムは、C-DAGが与えられた観測データから因果効果を体系的に計算する。

関連論文リスト

• Causal Modeling in Multi-Context Systems: Distinguishing Multiple Context-Specific Causal Graphs which Account for Observational Support [12.738813972869528]
  複数のコンテキストからのデータによる因果構造学習は、機会と課題の両方をもたらす。 本稿では,文脈間の観察支援の違いが因果グラフの識別可能性に及ぼす影響について検討する。 構造因果モデルにおける文脈固有の独立性をモデル化する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-27T10:34:58Z)
• New Rules for Causal Identification with Background Knowledge [59.733125324672656]
  オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。 これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-21T20:21:21Z)
• FiP: a Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
  因果順序付き変数上の不動点問題を記述するのにDAGを必要としない新しい等価形式法を提案する。 トポロジカル秩序(TO)を考慮し,一意に回復できる3つの重要な症例を示す。
  論文  参考訳（メタデータ） (2024-04-10T12:29:05Z)
• 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)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• 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)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)
• Semiparametric Inference For Causal Effects In Graphical Models With Hidden Variables [13.299431908881425]
  隠れ変数有向非巡回グラフに関連する因果モデルにおける因果効果の同定理論をよく研究した。 対応するアルゴリズムは、出力する関数を推定する複雑さのために、過小評価される。 単一処理と単一結果を含む集団レベルの因果効果の同定と推定のギャップを橋渡しする。
  論文  参考訳（メタデータ） (2020-03-27T22:29:04Z)

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。