論文の概要: The Causal Marginal Polytope for Bounding Treatment Effects
- arxiv url: http://arxiv.org/abs/2202.13851v1
- Date: Mon, 28 Feb 2022 15:08:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 21:17:15.929349
- Title: The Causal Marginal Polytope for Bounding Treatment Effects
- Title（参考訳）: 境界治療効果の因果的辺縁ポリトープ
- Authors: Jakob Zeitler, Ricardo Silva
- Abstract要約: グローバル因果モデルを構築することなく因果関係を同定する手法を提案する。
我々は,グローバル因果モデルを構築することなく,因果モデルの限界とデータとの整合性を強制する。
我々はこの局所的に一貫した辺縁の集合を、因果的辺縁ポリトープと呼ぶ。
- 参考スコア（独自算出の注目度）: 9.196779204457059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to unmeasured confounding, it is often not possible to identify causal
effects from a postulated model. Nevertheless, we can ask for partial
identification, which usually boils down to finding upper and lower bounds of a
causal quantity of interest derived from all solutions compatible with the
encoded structural assumptions. One appealing way to derive such bounds is by
casting it in terms of a constrained optimization method that searches over all
causal models compatible with evidence, as introduced in the classic work of
Balke and Pearl (1994) for discrete data. Although by construction this
guarantees tight bounds, it poses a formidable computational challenge. To cope
with this issue, alternatives include algorithms that are not guaranteed to be
tight, or by introducing restrictions on the class of models. In this paper, we
introduce a novel alternative: inspired by ideas coming from belief
propagation, we enforce compatibility between marginals of a causal model and
data, without constructing a global causal model. We call this collection of
locally consistent marginals the causal marginal polytope. As global
independence constraints disappear when considering small dimensional tractable
marginals, this also leads to a rethinking of how to elicit and express causal
knowledge. We provide an explicit algorithm and implementation of this idea,
and assess its practicality with numerical experiments.
- Abstract（参考訳）: 不測の共起のため、仮定されたモデルから因果関係を識別することはしばしば不可能である。
それにもかかわらず、部分的識別を求めることは可能であり、それは通常、符号化された構造的仮定と互換性のある全ての解から導かれる利害の因果量の上限の上端と下端を見つけることにつながる。
そのような境界を導出する魅力的な方法の1つは、バルケとパール(1994年)の古典的な離散データで導入されたように、証拠と互換性のあるすべての因果モデルを探索する制約付き最適化法によってそれをキャストすることである。
構成上は厳密な境界が保証されるが、計算上の困難を生じさせる。
この問題に対処するためには、厳密さを保証されないアルゴリズムや、モデルのクラスに制限を導入することで、代替案が含まれる。
本稿では,信念伝播からのアイデアに触発されて,グローバル因果モデルを構築することなく,因果モデルとデータの限界間の互換性を強制する新しい方法を提案する。
我々はこの局所的に一貫した辺縁の集合を因果の辺縁ポリトープと呼ぶ。
小さい次元の移動可能な限界を考えると、世界的独立性の制約が消えてしまうため、因果知識の解明と表現の方法が再検討される。
我々は,この概念の明示的なアルゴリズムと実装を提供し,その実用性を数値実験で評価する。
関連論文リスト
- Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
構造学習問題を因果順序と各変数に対する因果順序を推定する親集合に分解する。
提案手法は, スケールフリーおよびエルドス・レーニグラフ構造を持つ非線形付加雑音ベンチマークのシミュレーションによる構造学習における最先端の手法である。
論文 参考訳（メタデータ） (2024-02-22T18:39:24Z) - Revisiting Deep Generalized Canonical Correlation Analysis [30.389620125859356]
正準相関解析は、2つ以上の観測されたランダムベクトルの基盤となる潜在共変分法を発見するための古典的な方法である。
CCAの様々な拡張とバリエーションが提案され、マルチビューデータセットから一般的なランダムな要因を明らかにすることで、我々の能力を強化した。
本稿では,近年の深部CCAの決定論的拡張について再考し,これらの最先端手法の強みと限界を強調した。
論文 参考訳（メタデータ） (2023-12-20T22:15:10Z) - Invariant Causal Set Covering Machines [64.86459157191346]
決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。
しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。
Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
論文 参考訳（メタデータ） (2023-06-07T20:52:01Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - Bayesian Model Selection, the Marginal Likelihood, and Generalization [49.19092837058752]
まず,学習制約と仮説テストの限界的可能性の魅力について再考する。
ニューラルアーキテクチャ探索において,限界確率が一般化と負の相関関係を持つことが示唆された。
また, 限界確率とPAC-Bayes境界との接続を再検討し, モデル選択における限界確率の欠点をさらに解明するためにこの接続を利用する。
論文 参考訳（メタデータ） (2022-02-23T18:38:16Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Algorithmic Recourse in Partially and Fully Confounded Settings Through
Bounding Counterfactual Effects [0.6299766708197883]
アルゴリズムリコースは、自動意思決定システムからより好ましい結果を得るために、個人に実行可能なレコメンデーションを提供することを目的としている。
既存の手法では,データから学習した因果モデルを用いて,隠れたコンバウンディングや付加雑音などの仮定をモデル化する手法が提案されている。
本稿では、これらの仮定を緩和し、観測不能な共役および任意の構造方程式を可能にする離散確率変数に対する別のアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-22T15:07:49Z) - 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) - A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
因果治療効果の推定は、様々な現実世界で発生する重要な問題である。
連続分布における因果効果のバウンディング法を提案する。
論文 参考訳（メタデータ） (2020-06-11T12:32:24Z)
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。