Fugu-MT 論文翻訳(概要): Causal discovery under a confounder blanket

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: 翻訳完了
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

On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models [2.0738462952016232]
関数因果モデルに基づく手法は、ユニークなグラフを識別することができるが、次元性の呪いや強いパラメトリックな仮定を課すことに苦しむ。本研究では,局所的な因果構造を利用した観測データにおけるグローバル因果発見のための新しいハイブリッド手法を提案する。我々は, 合成データに対する実証的な検証を行い, 正確性および最悪の場合の時間複雑度を理論的に保証する。
論文参考訳（メタデータ） (2024-05-23T12:28:16Z)
Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
因果発見は、生物学的実験から機械的な洞察を明らかにする可能性がある。因果グラフを予測するために,大規模合成データに基づいて学習した教師付きモデルを提案する。我々のアプローチは、発見アルゴリズムの出力の典型的なエラーがデータセット間で比較できるという観察によって実現されている。
論文参考訳（メタデータ） (2024-02-02T21:57:58Z)
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)
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)

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。