論文の概要: Causal discovery under a confounder blanket
- arxiv url: http://arxiv.org/abs/2205.05715v1
- Date: Wed, 11 May 2022 18:10:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 05:56:07.993817
- Title: Causal discovery under a confounder blanket
- Title(参考訳): 共同創設者の毛布の下での因果発見
- Authors: David Watson and Ricardo Silva
- Abstract要約: 観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。
これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。
これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
- 参考スコア(独自算出の注目度): 9.196779204457059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inferring causal relationships from observational data is rarely
straightforward, but the problem is especially difficult in high dimensions.
For these applications, causal discovery algorithms typically require
parametric restrictions or extreme sparsity constraints. We relax these
assumptions and focus on an important but more specialized problem, namely
recovering a directed acyclic subgraph of variables known to be causally
descended from some (possibly large) set of confounding covariates, i.e. a
$\textit{confounder blanket}$. This is useful in many settings, for example
when studying a dynamic biomolecular subsystem with genetic data providing
causally relevant background information. Under a structural assumption that,
we argue, must be satisfied in practice if informative answers are to be found,
our method accommodates graphs of low or high sparsity while maintaining
polynomial time complexity. We derive a sound and complete algorithm for
identifying causal relationships under these conditions and implement testing
procedures with provable error control for linear and nonlinear systems. We
demonstrate our approach on a range of simulation settings.
- Abstract(参考訳): 観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。
これらの用途では、因果探索アルゴリズムは一般的にパラメトリックな制限や極端な空間的制約を必要とする。
これらの仮定を緩和し、より専門的な問題に焦点をあてる。すなわち、因果的に(おそらく大きい)共芽体の集合、すなわち$\textit{confounder blanket}$から導かれる変数の有向非巡回部分グラフを復元する。
これは、動的生体分子サブシステムに因果関係の背景情報を提供する遺伝データを提供する場合など、多くの設定で有用である。
情報的回答が見つかれば実際に満足しなければならないという構造的仮定の下では、多項式時間の複雑さを維持しながら、低あるいは高間隔のグラフを許容する。
これらの条件下で因果関係を同定するための健全で完全なアルゴリズムを導出し、線形および非線形システムに対して証明可能な誤差制御を伴うテスト手順を実装する。
我々は様々なシミュレーション設定にアプローチを示します。
関連論文リスト
- Heteroscedastic Causal Structure Learning [2.566492438263125]
ガウス雑音下での不連続因果構造学習問題に取り組む。
因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。
その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
論文 参考訳(メタデータ) (2023-07-16T07:53:16Z) - Causal discovery for time series with constraint-based model and PMIME
measure [0.0]
本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。
提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
論文 参考訳(メタデータ) (2023-05-31T09:38:50Z) - Constraint-Based Causal Structure Learning from Undersampled Graphs [1.8448103154557947]
時系列データから因果学習アルゴリズムによって推定される図形構造は、非常に誤解を招く因果情報を提供することができる。
制約プログラミングと問題構造に関する理論的知見と、許容因果関係に関する事前情報を組み合わせる。
結果のシステムは、確率変数のかなり大きな集合(>100)までスケールし、時間スケールの差の正確な知識を必要とせず、エッジの誤同定とパラメトリック接続強度をサポートし、多くの可能な解の最適選択を提供する。
論文 参考訳(メタデータ) (2022-05-18T22:38:57Z) - Improving Efficiency and Accuracy of Causal Discovery Using a
Hierarchical Wrapper [7.570246812206772]
観測データからの因果発見は、科学の多くの分野において重要なツールである。
大規模なサンプルリミットでは、音と完全な因果探索アルゴリズムが導入されている。
しかし、これらのアルゴリズムが使用する統計的テストのパワーを制限するのは、有限のトレーニングデータのみである。
論文 参考訳(メタデータ) (2021-07-11T09:24:49Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-28T11:07:59Z) - 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) - Neural Additive Vector Autoregression Models for Causal Discovery in
Time Series [1.160208922584163]
本稿では,非線型関係を発見できる因果構造学習へのニューラルアプローチを提案する。
時系列の時間進化から(付加的な)グランガー因果関係を抽出するディープニューラルネットワークを訓練する。
この手法は、因果探索のための様々なベンチマークデータセットに対して最先端の結果を得る。
論文 参考訳(メタデータ) (2020-10-19T12:44:25Z) - Computational Barriers to Estimation from Low-Degree Polynomials [81.67886161671379]
本研究では,隠れ構造物の存在を検知する作業において,低次構造物のパワーについて検討する。
大規模な「信号+雑音」問題に対して、任意の程度に達成可能な最良の平均二乗誤差に対して、ユーザフレンドリな下界を与える。
応用として,植込みサブマトリクスに対する低次平均2乗誤差の厳密な評価と高密度サブグラフ問題について述べる。
論文 参考訳(メタデータ) (2020-08-05T17:52:10Z) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-12T20:49:20Z)
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。