論文の概要: Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data
- arxiv url: http://arxiv.org/abs/2203.15756v3
- Date: Fri, 24 May 2024 12:12:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 00:41:01.413823
- 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 Tóth, Bernhard Schölkopf, Ferenc Huszár,
- Abstract要約: 制約に基づく因果探索法は、条件付き独立試験を利用して、様々な応用において因果関係を推定する。
交換可能なデータには、i.d.$$データよりもリッチな条件付き独立構造が含まれており、よりリッチな構造が因果発見にどのように活用できるかを示す。
- 参考スコア（独自算出の注目度）: 45.389985793060674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Constraint-based causal discovery methods leverage conditional independence tests to infer causal relationships in a wide variety of applications. Just as the majority of machine learning methods, existing work focuses on studying $\textit{independent and identically distributed}$ data. However, it is known that even with infinite i.i.d.$\ $ data, constraint-based methods can only identify causal structures up to broad Markov equivalence classes, posing a fundamental limitation for causal discovery. In this work, we observe that exchangeable data contains richer conditional independence structure than i.i.d.$\ $ data, and show how the richer structure can be leveraged for causal discovery. We first present causal de Finetti theorems, which state that exchangeable distributions with certain non-trivial conditional independences can always be represented as $\textit{independent causal mechanism (ICM)}$ generative processes. We then present our main identifiability theorem, which shows that given data from an ICM generative process, its unique causal structure can be identified through performing conditional independence tests. We finally develop a causal discovery algorithm and demonstrate its applicability to inferring causal relationships from multi-environment data. Our code and models are publicly available at: https://github.com/syguo96/Causal-de-Finetti
- Abstract（参考訳）: 制約に基づく因果探索法は、条件付き独立試験を利用して、様々な応用において因果関係を推定する。
機械学習の手法の大部分がそうであるように、既存の研究は$\textit{independent and samely distributed}$データの研究に重点を置いている。
しかし、無限の i.i.d.$\ のデータであっても、制約ベースの手法は広いマルコフ同値クラスまでの因果構造を識別することができ、因果発見の基本的な制限を課すことが知られている。
本研究では、交換可能なデータには、i.d.$\ $データよりもリッチな条件付き独立構造が含まれており、よりリッチな構造が因果発見にどのように活用できるかを示す。
この定理は、ある非自明な条件付き独立性を持つ交換可能な分布は、常に$\textit{independent causal mechanism (ICM)$generative processとして表すことができるというものである。
そこで本論では, ICM生成過程から得られたデータから, 条件付き独立性試験により, その特異な因果構造を同定できることを示す。
最終的に因果探索アルゴリズムを開発し,その多環境データから因果関係を推定できることを示す。
私たちのコードとモデルは、https://github.com/syguo96/Causal-de-Finettiで公開されています。
関連論文リスト
- Large Language Models for Constrained-Based Causal Discovery [4.858756226945995]
因果関係は経済、脳、気候といった複雑なシステムを理解するのに不可欠である。
この研究は、因果グラフ生成のためのドメインエキスパートの代替として、LLM(Large Language Models)の能力を探求する。
論文 参考訳（メタデータ） (2024-06-11T15:45:24Z) - Causal Discovery from Poisson Branching Structural Causal Model Using High-Order Cumulant with Path Analysis [24.826219353338132]
カウントデータの最も一般的な特徴の1つは、二項化演算子によって記述される固有の分岐構造である。
単一の因果対はマルコフ同値、すなわち$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) - Invariant Causal Prediction with Locally Linear Models [58.6243132840146]
観測データから対象変数の因果親を同定する作業を検討する。
親識別のための仮説テストに基づくLolicaPという実用的な手法を提案する。
我々は,LolicaPの統計的パワーが標本サイズにおいて指数関数的に高速に収束することを示す。
論文 参考訳（メタデータ） (2024-01-10T15:34:42Z) - 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。