論文の概要: Revisiting the General Identifiability Problem
- arxiv url: http://arxiv.org/abs/2206.01081v1
- Date: Thu, 2 Jun 2022 15:07:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 12:55:05.295009
- Title: Revisiting the General Identifiability Problem
- Title（参考訳）: 一般識別可能性問題の再検討
- Authors: Yaroslav Kivva, Ehsan Mokhtarian, Jalal Etesami, Negar Kiyavash
- Abstract要約: 我々は, [Lee et al., 2019] で最初に導入された一般識別可能性の問題を再考し, 因果推論を行った。
このような仮定がなければ、[Lee et al., 2019] における do-calculus の規則と、従って提案されたアルゴリズムは正しくないことが示される。
- 参考スコア（独自算出の注目度）: 22.201414668050123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We revisit the problem of general identifiability originally introduced in
[Lee et al., 2019] for causal inference and note that it is necessary to add
positivity assumption of observational distribution to the original definition
of the problem. We show that without such an assumption the rules of
do-calculus and consequently the proposed algorithm in [Lee et al., 2019] are
not sound. Moreover, adding the assumption will cause the completeness proof in
[Lee et al., 2019] to fail. Under positivity assumption, we present a new
algorithm that is provably both sound and complete. A nice property of this new
algorithm is that it establishes a connection between general identifiability
and classical identifiability by Pearl [1995] through decomposing the general
identifiability problem into a series of classical identifiability
sub-problems.
- Abstract（参考訳）: 因果推論には, [Lee et al., 2019] で最初に導入された一般識別可能性の問題を再考するとともに, 元の定義に観測分布の正の仮定を加える必要があることに留意する。
このような仮定がなければ、[Lee et al., 2019] における do-calculus の規則と、従って提案されたアルゴリズムは正しくないことが示される。
さらに、この仮定を追加すると、[Lee et al., 2019]における完全性証明が失敗する。
主観的仮定の下では, 音と完全の両方を証明可能な新しいアルゴリズムを提案する。
この新しいアルゴリズムの素晴らしい性質は、一般的な識別可能性問題を一連の古典的識別可能性サブ問題に分解することで、パール [1995] による一般識別可能性と古典識別可能性との接続を確立することである。
関連論文リスト
- On the Complexity of Identification in Linear Structural Causal Models [3.44747819522562]
空間内で動作するジェネリック識別のための,新しい音響および完全アルゴリズムを提案する。
また,同定が一般に困難であることを示す。
論文 参考訳（メタデータ） (2024-07-17T13:11:26Z) - Causal Effect Identification in a Sub-Population with Latent Variables [22.75558589075695]
s-ID問題は、同じサブ集団に関する観測データから、特定のサブ集団における因果効果を計算しようとする。
本稿では,潜伏変数の存在を許容するs-ID問題の拡張について考察する。
潜伏変数を持つs-ID問題に対する音響アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-23T13:25:41Z) - On Identifiability of Conditional Causal Effects [24.95216517499459]
因果グラフと、$Q[S]:=P(S|do(Vsetminus S))$の形の観察的および/または介入的分布の集合の両方が与えられた任意の条件因果効果の識別可能性の問題に対処する。
この問題を条件付き一般化識別可能性(c-gID、略してc-gID)と呼び、C-gID問題に対するPearlの$do$-calculusの完全性を証明する。
論文 参考訳（メタデータ） (2023-06-19T14:38:06Z) - Benign Underfitting of Stochastic Gradient Descent [72.38051710389732]
本研究では,適切な学習データを得ることで,一般化性能を実現する「従来型」学習ルールとして,勾配降下度(SGD)がどの程度理解されるかを検討する。
類似現象が起こらない近縁な交換SGDを解析し、その集団リスクが実際に最適な速度で収束することを証明する。
論文 参考訳（メタデータ） (2022-02-27T13:25:01Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳（メタデータ） (2022-02-22T21:27:31Z) - Out-of-domain Generalization from a Single Source: A Uncertainty
Quantification Approach [17.334457450818473]
一般化における最悪のシナリオとして,単一ソースからの領域外一般化について検討する。
目標は、単一のソースから堅牢なモデルを学び、多くの未知のディストリビューションを一般化することである。
制約に対処するために、不確実性誘導領域の一般化を提案する。
論文 参考訳（メタデータ） (2021-08-05T23:53:55Z) - Efficient First-Order Contextual Bandits: Prediction, Allocation, and
Triangular Discrimination [82.52105963476703]
統計的学習、オンライン学習、その他における繰り返しのテーマは、低騒音の問題に対してより速い収束率が可能であることである。
1次保証は統計的およびオンライン学習において比較的よく理解されている。
三角識別と呼ばれる対数損失と情報理論量が一階保証を得る上で基本的な役割を担っていることを示す。
論文 参考訳（メタデータ） (2021-07-05T19:20:34Z) - Uncertainty-guided Model Generalization to Unseen Domains [15.813136035004867]
一般化における最悪のシナリオとして,単一ソースからの領域外一般化について検討する。
目標は、単一のソースから堅牢なモデルを学び、多くの未知のディストリビューションを一般化することである。
重要なアイデアは、入力スペースとラベルスペースの両方のソース容量を強化することですが、拡張は不確実性評価によって導かれます。
論文 参考訳（メタデータ） (2021-03-12T21:13:21Z) - Agnostic Proper Learning of Halfspaces under Gaussian Marginals [56.01192577666607]
ガウスの下の半空間を不可知的に学習する問題を考察する。
我々の主な成果は、この問題に対するエム第一固有学習アルゴリズムである。
論文 参考訳（メタデータ） (2021-02-10T18:40:44Z) - Implicit Regularization in ReLU Networks with the Square Loss [56.70360094597169]
モデルパラメータの明示的な関数によって、平方損失による暗黙の正規化を特徴付けることは不可能であることを示す。
非線形予測器の暗黙的正規化を理解するためには,より一般的な枠組みが必要であることが示唆された。
論文 参考訳（メタデータ） (2020-12-09T16:48:03Z) - Approximation Schemes for ReLU Regression [80.33702497406632]
我々はReLU回帰の根本的な問題を考察する。
目的は、未知の分布から引き出された2乗損失に対して、最も適したReLUを出力することである。
論文 参考訳（メタデータ） (2020-05-26T16:26:17Z)
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。