論文の概要: Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data

• arxiv url: http://arxiv.org/abs/2203.15756v1
• Date: Tue, 29 Mar 2022 17:10:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 13:57:27.022357
• Title: Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data
• Title（参考訳）: Causal de Finetti:交換可能なデータにおける不変因果構造の同定について
• Authors: Siyuan Guo, Viktor T\'oth, Bernhard Sch\"olkopf, Ferenc Husz\'ar
• Abstract要約: 不変因果構造を学習するには、条件付き独立テストと独立および同一の分散データの仮定に依存することが多い。 これらのアプローチは、原因機構が与えられた原因機構から独立であることを示す独立因果機構(ICM)原理に基づいている。 ここでは、ICMの原理を初めて統計的に定式化したCausal de Finettiを紹介する。
• 参考スコア（独自算出の注目度）: 9.255710012399271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning invariant causal structure often relies on conditional independence testing and assumption of independent and identically distributed data. Recent work has explored inferring invariant causal structure using data coming from different environments. These approaches are based on independent causal mechanism (ICM) principle which postulates that the cause mechanism is independent of the effect given cause mechanism. Despite its wide application in machine learning and causal inference, there lacks a statistical formalization of what independent mechanism means. Here we present Causal de Finetti which offers a first statistical formalization of ICM principle.
• Abstract（参考訳）: 不変因果構造を学ぶことは、しばしば条件付き独立性テストと独立かつ同一の分散データの仮定に依存する。 近年、異なる環境から来るデータを用いて不変因果構造を推測する研究が行われている。 これらのアプローチは、原因機構が与えられた原因機構から独立であることを示す独立因果機構(ICM)原理に基づいている。 機械学習や因果推論に広く応用されているにもかかわらず、独立したメカニズムの意味を統計的に定式化していない。 ここでは、ICM原理の最初の統計的形式化を提供するCausal de Finettiを紹介する。

関連論文リスト

• Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
  我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。 近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。 非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
  論文  参考訳（メタデータ） (2024-10-31T15:56:50Z)
• Large Language Models for Constrained-Based Causal Discovery [4.858756226945995]
  因果関係は経済、脳、気候といった複雑なシステムを理解するのに不可欠である。 この研究は、因果グラフ生成のためのドメインエキスパートの代替として、LLM(Large Language Models)の能力を探求する。
  論文  参考訳（メタデータ） (2024-06-11T15:45:24Z)
• Causal Discovery from Poisson Branching Structural Causal Model Using High-Order Cumulant with Path Analysis [24.826219353338132]
  カウントデータの最も一般的な特徴の1つは、二項化演算子によって記述される固有の分岐構造である。 単一の因果対はマルコフ同値、すなわち$Xrightarrow Y$ と $Yrightarrow X$ は分散同値である。 本稿では,ポアソン分岐構造因果モデル(PB-SCM)を提案し,高次累積を用いたPB-SCMの経路解析を行う。
  論文  参考訳（メタデータ） (2024-03-25T08:06:08Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Representation Disentaglement via Regularization by Causal Identification [3.9160947065896803]
  本稿では,不整合表現学習における基礎となるデータ生成過程の仮定を記述するために,因果コライダー構造モデルを提案する。 そこで本研究では,大規模生成モデルの挙動を因果同定によって課される絡み合った制約に整合させるモジュール型正規化エンジンReIを提案する。
  論文  参考訳（メタデータ） (2023-02-28T23:18:54Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• Causal Domain Adaptation with Copula Entropy based Conditional Independence Test [2.3980064191633232]
  ドメイン適応(DA)は、ソースドメインでトレーニングされたモデルを異なる分布を持つターゲットドメインに転送することを目的とした機械学習の典型的な問題である。 まず、因果DA問題の数学的モデルを示し、その後、領域間の不変表現を見つける因果DAの方法を提案する。
  論文  参考訳（メタデータ） (2022-02-27T23:32:44Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• 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)

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。