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
- A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳(メタデータ) (2023-06-08T09:40:28Z) - Variation-based Cause Effect Identification [5.744133015573047]
本稿では、因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。
我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズムの独立(ICM)の原理に依存している。
因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。
論文 参考訳(メタデータ) (2022-11-22T05:19:12Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。
我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。
理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
論文 参考訳(メタデータ) (2022-03-27T08:08:33Z) - 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) - Independent mechanism analysis, a new concept? [3.2548794659022393]
Identifiabilityは、通常観察される変数が生成プロセスに含まれる設定で回復することができる。
我々は,非線形ブラインド音源分離における非識別性問題の多くを回避できるという理論的,実証的な証拠を提供する。
論文 参考訳(メタデータ) (2021-06-09T16:45:00Z) - 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) - Latent Instrumental Variables as Priors in Causal Inference based on
Independence of Cause and Mechanism [2.28438857884398]
因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。
2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
論文 参考訳(メタデータ) (2020-07-17T08:18:19Z) - 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)
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。