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。
• 全文 参考訳へのリンク

関連論文リスト

• 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)
• Learning latent causal relationships in multiple time series [0.0]
  多くの系では、因果関係は観測データに線形混合として表される潜在空間に埋め込まれる。 潜伏源を盲目的に識別する手法を提示する。 提案手法は教師なしで、任意の時系列に容易に適用でき、データの背後にある因果関係に光を当てることができる。
  論文  参考訳（メタデータ） (2022-03-21T00:20:06Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
  時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。 本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。 本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
  論文  参考訳（メタデータ） (2022-01-09T05:55:47Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• 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)

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。