論文の概要: Framework for inferring empirical causal graphs from binary data to support multidimensional poverty analysis

• arxiv url: http://arxiv.org/abs/2205.06131v1
• Date: Thu, 12 May 2022 14:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-13 14:14:35.859314
• Title: Framework for inferring empirical causal graphs from binary data to support multidimensional poverty analysis
• Title（参考訳）: 二元データから経験的因果グラフを推定し多次元貧困分析を支援するフレームワーク
• Authors: Chainarong Amornbunchornvej, Navaporn Surasvadi, Anon Plangprasopchok, and Suttipong Thajchayapong
• Abstract要約: 本稿では,バイナリデータ間の信頼区間と因果関係を推定するための探索データ分析フレームワークを提案する。 提案した枠組みは、貧困の問題がどれほど深刻かだけでなく、貧困要因間の因果関係も提供する。
• 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: Poverty is one of the fundamental issues that mankind faces. Multidimensional Poverty Index (MPI) is deployed for measuring poverty issues in a population beyond monetary. However, MPI cannot provide information regarding associations and causal relations among poverty factors. Does education cause income inequality in a specific region? Is lacking education a cause of health issues? By not knowing causal relations, policy maker cannot pinpoint root causes of poverty issues of a specific population, which might not be the same across different population. Additionally, MPI requires binary data, which cannot be analyzed by most of causal inference frameworks. In this work, we proposed an exploratory-data-analysis framework for finding possible causal relations with confidence intervals among binary data. The proposed framework provides not only how severe the issue of poverty is, but it also provides the causal relations among poverty factors. Moreover, knowing a confidence interval of degree of causal direction lets us know how strong a causal relation is. We evaluated the proposed framework with several baseline approaches in simulation datasets as well as using two real-world datasets as case studies 1) Twin births of the United States: the relation between birth weight and mortality of twin, and 2) Thailand population surveys from 378k households of Chiang Mai and 353k households of Khon Kaen provinces. Our framework performed better than baselines in most cases. The first case study reveals almost all mortality cases in twins have issues of low birth weights but not all low-birth-weight twins were died. The second case study reveals that smoking associates with drinking alcohol in both provinces and there is a causal relation of smoking causes drinking alcohol in only Chiang Mai province. The framework can be applied beyond the poverty context.
• Abstract（参考訳）: 貧困は人類が直面する根本的な問題の1つです 多次元貧困指数(multidimensional poverty index, mpi)は、通貨を超えた人口の貧困問題を測定するための指標である。 しかし、MPIは貧困要因間の関連や因果関係に関する情報を提供できない。 教育は特定の地域で所得格差を引き起こすか? 教育不足は健康問題の原因なのでしょうか? 政策立案者は因果関係を知らないため、特定の人口の貧困問題の根本原因を特定できない。 さらに、MPIはバイナリデータを必要とするため、ほとんどの因果推論フレームワークでは分析できない。 本研究では,バイナリデータ間の信頼区間と因果関係を見出すための探索的データ分析フレームワークを提案する。 提案した枠組みは、貧困の問題がどれほど深刻かだけでなく、貧困要因間の因果関係も提供する。 さらに、因果方向の信頼区間を知ることで、因果関係がどれほど強いかを知ることができる。 シミュレーションデータセットと実世界の2つのデータセットをケーススタディとして、いくつかのベースラインアプローチによる提案フレームワークの評価を行った。 1)アメリカ合衆国の双子の出生:出生体重と双子の死亡との関係 2)タイの人口はチエンマイの378k世帯とコンカエン州の353k世帯から調査された。 私たちのフレームワークはたいていの場合、ベースラインよりもうまく機能しました。 最初のケーススタディでは、双子の死亡例のほとんどすべてが低出生体重の問題を持っているが、低出生体重の双子が全て死亡したわけではない。 第2のケーススタディでは、両州で喫煙と飲酒の関連が明らかとなり、チャンマイ県のみにおいて喫煙が飲酒を引き起こす原因となっている。 この枠組みは貧困の文脈を超えて適用できる。

関連論文リスト

• New Rules for Causal Identification with Background Knowledge [59.733125324672656]
  オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。 これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-21T20:21:21Z)
• DCILP: A Distributed Approach for Large-Scale Causal Structure Learning [4.551283926017506]
  因果学習は因果グラフを推定する計算的に要求されるタスクに取り組む。 本稿では,DCILPと呼ばれる因果グラフ学習のための新たな分枝・分枝手法を提案する。
  論文  参考訳（メタデータ） (2024-06-15T03:17:48Z)
• Learning and Reasoning Multifaceted and Longitudinal Data for Poverty Estimates and Livelihood Capabilities of Lagged Regions in Rural India [22.98110639419913]
  このプロジェクトは、生活の質と生活の指標に基づいて、1990-2022年のインド農村の貧困状況を調べることを目的としている。 また、因果関係や縦断的分析も検討し、貧困の原因について検討する。
  論文  参考訳（メタデータ） (2023-04-27T05:33:08Z)
• Novel Machine Learning Approach for Predicting Poverty using Temperature and Remote Sensing Data in Ethiopia [0.0]
  貧困データの欠如は、重要な人道的組織が大規模な危機に対応するのを妨げている。 本研究では,表面温度変化とリモートセンシングデータに基づく移動学習モデルを提案し,貧困率の予測に有用な特徴を抽出する。
  論文  参考訳（メタデータ） (2023-02-28T18:32:16Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Explaining Algorithmic Fairness Through Fairness-Aware Causal Path Decomposition [37.823248189626014]
  本稿では,モデルの相違点の同定問題について検討する。 特徴重要度を学習する既存の解釈方法とは異なり,特徴変数間の因果関係を考察する。 我々のフレームワークはまた、モデルに依存しないものであり、様々な量的格差の尺度に適用できる。
  論文  参考訳（メタデータ） (2021-08-11T17:23:47Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• 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)
• Bottleneck Problems: Information and Estimation-Theoretic View [2.7793394375935088]
  情報ボトルネック(IB)とプライバシファンネル(PF)は、密接に関連する2つの最適化問題である。 特定の関数の下位エンベロープや上部エンベロープを等価に表現することで、閉形式のボトルネック問題を評価する方法を示す。
  論文  参考訳（メタデータ） (2020-11-12T05:16:44Z)
• Causal inference of brain connectivity from fMRI with $\psi$-Learning Incorporated Linear non-Gaussian Acyclic Model ($\psi$-LiNGAM) [27.32225635737671]
  因果推論を容易にするために,線形非ガウス非巡回モデル(psi$-LiNGAM)を組み込んだ$psi$-learningを提案する。 我々は因果推論を容易にするためにアソシエーションモデル(psi$-learning)を使用し、特に高次元の場合においてうまく機能する。
  論文  参考訳（メタデータ） (2020-06-16T21:56:40Z)
• Predicting Livelihood Indicators from Community-Generated Street-Level Imagery [70.5081240396352]
  本稿では,クラウドソースによるストリートレベルの画像から重要な生活指標を予測するための,安価でスケーラブルで解釈可能なアプローチを提案する。 全国的に代表される世帯調査で収集した地上データと比較することにより,貧困,人口,健康の指標を正確に予測する上でのアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-15T18:12:12Z)

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。