論文の概要: The interventional Bayesian Gaussian equivalent score for Bayesian
causal inference with unknown soft interventions
- arxiv url: http://arxiv.org/abs/2205.02602v1
- Date: Thu, 5 May 2022 12:32:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 15:16:58.901239
- Title: The interventional Bayesian Gaussian equivalent score for Bayesian
causal inference with unknown soft interventions
- Title（参考訳）: 未知なソフト介入を伴うベイズ因果推論のための介入ベイズガウス等価スコア
- Authors: Jack Kuipers and Giusi Moffa
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Describing the causal relations governing a system is a fundamental task in
many scientific fields, ideally addressed by experimental studies. However,
obtaining data under intervention scenarios may not always be feasible, while
discovering causal relations from purely observational data is notoriously
challenging. In certain settings, such as genomics, we may have data from
heterogeneous study conditions, with soft (partial) interventions only
pertaining to a subset of the study variables, whose effects and targets are
possibly unknown. Combining data from experimental and observational studies
offers the opportunity to leverage both domains and improve on the
identifiability of causal structures. To this end, we define the interventional
BGe score for a mixture of observational and interventional data, where the
targets and effects of intervention may be unknown. To demonstrate the approach
we compare its performance to other state-of-the-art algorithms, both in
simulations and data analysis applications. Prerogative of our method is that
it takes a Bayesian perspective leading to a full characterisation of the
posterior distribution of the DAG structures. Given a sample of DAGs one can
also automatically derive full posterior distributions of the intervention
effects. Consequently the method effectively captures the uncertainty both in
the structure and the parameter estimates. Codes to reproduce the simulations
and analyses are publicly available at github.com/jackkuipers/iBGe
- Abstract（参考訳）: システムを管理する因果関係を記述することは、多くの科学分野における基本的な課題であり、実験的な研究によって理想的に解決される。
しかし、介入シナリオ下でのデータを取得することは必ずしも可能ではなく、純粋な観測データから因果関係を発見することは、非常に難しい。
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、ソフトな(部分的な)介入は研究変数のサブセットにのみ関係しており、その効果とターゲットはおそらく不明である。
実験的および観察的な研究からのデータを組み合わせることで、両方のドメインを活用し、因果構造の識別性を改善することができる。
この目的のために、観測データと干渉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。
このアプローチを実証するために、シミュレーションとデータ分析アプリケーションの両方で、その性能を最先端のアルゴリズムと比較する。
提案手法はベイズ的視点からDAG構造の後方分布の完全な特徴付けを導いたものである。
dagのサンプルを与えられた場合、介入効果の完全な後方分布を自動導出することもできる。
これにより、構造およびパラメータ推定の両方における不確かさを効果的に捉えることができる。
シミュレーションと解析を再現するコードはgithub.com/jackkuipers/iBGeで公開されている。
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) - Identifying perturbation targets through causal differential networks [23.568795598997376]
本稿では,生物学的システムの変更に責任を持つ変数を同定する因果性に着想を得たアプローチを提案する。
まず、観測データと干渉データからノイズの多い因果グラフを推定する。
次に、これらのグラフ間の差分を、追加の統計的特徴とともに、介入された変数の集合にマッピングすることを学ぶ。
論文 参考訳（メタデータ） (2024-10-04T12:48:21Z) - 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) - 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 to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - 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) - Differentiable Causal Discovery Under Latent Interventions [3.867363075280544]
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。
論文 参考訳（メタデータ） (2022-03-04T14:21:28Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z)
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。