論文の概要: Differentiable Causal Discovery Under Latent Interventions

• arxiv url: http://arxiv.org/abs/2203.02336v1
• Date: Fri, 4 Mar 2022 14:21:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 18:40:24.640541
• Title: Differentiable Causal Discovery Under Latent Interventions
• Title（参考訳）: 潜在的介入による因果発見
• Authors: Gon\c{c}alo R. A. Faria, Andr\'e F. T. Martins, M\'ario A. T. Figueiredo
• Abstract要約: 最近の研究は、介入した変数が未知であっても、勾配に基づく手法による介入データを活用することにより因果発見の有望な結果を示している。 複数の介入分布と1つの観察分布からサンプリングされた広範囲なデータセットを用いたシナリオを想定するが、どの分布がそれぞれのサンプルに由来するのか、どのように介入がシステムに影響を及ぼすのかはわからない。 本稿では、ニューラルネットワークと変分推論に基づいて、無限混合物間の共用因果グラフを学習することで、このシナリオに対処する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.867363075280544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has shown promising results in causal discovery by leveraging interventional data with gradient-based methods, even when the intervened variables are unknown. However, previous work assumes that the correspondence between samples and interventions is known, which is often unrealistic. We envision a scenario with an extensive dataset sampled from multiple intervention distributions and one observation distribution, but where we do not know which distribution originated each sample and how the intervention affected the system, \textit{i.e.}, interventions are entirely latent. We propose a method based on neural networks and variational inference that addresses this scenario by framing it as learning a shared causal graph among an infinite mixture (under a Dirichlet process prior) of intervention structural causal models. Experiments with synthetic and real data show that our approach and its semi-supervised variant are able to discover causal relations in this challenging scenario.
• Abstract（参考訳）: 最近の研究は、介入した変数が未知であっても、勾配に基づく手法で介入データを活用することにより因果発見の有望な結果を示している。 しかし、以前の研究はサンプルと介入の対応が知られていると仮定しており、しばしば非現実的である。 複数の介入分布と1つの観察分布からサンプリングされた広範囲なデータセットを用いたシナリオを想定するが、どの分布がそれぞれのサンプルに由来するのか、どのように介入がシステムに影響を及ぼすかは分かっていない。 本稿では、ニューラルネットワークと変分推論に基づいて、干渉構造因果モデルの無限混合(ディリクレ過程以前の)における共有因果グラフの学習として学習することで、このシナリオに対処する手法を提案する。 合成データおよび実データを用いた実験により,本手法とその半教師付き変種は,この困難なシナリオにおいて因果関係を発見できることが示された。

関連論文リスト

• Learning Mixtures of Unknown Causal Interventions [14.788930098406027]
  構造方程式モデル(SEM)における干渉・観測データの混在化の課題について考察する。 本研究は, 混合液中の各成分を効率よく回収するために, 十分な多様性と特性を有する分布が得られるか, 軟らかいかにかかわらず, 干渉を施すことを実証する。 その結果、因果グラフは干渉的マルコフ等価クラスと同一視でき、ノイズが干渉的データの生成に影響を与えないシナリオと同様である。
  論文  参考訳（メタデータ） (2024-10-31T21:25:11Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
  本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。 本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。 両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
  論文  参考訳（メタデータ） (2024-02-01T14:39:59Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• 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)
• Learning Invariant Representations under General Interventions on the Response [2.725698729450241]
  線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。 離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
  論文  参考訳（メタデータ） (2022-08-22T03:09:17Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions [0.0]
  ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。 観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
  論文  参考訳（メタデータ） (2022-05-05T12:32:08Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。