論文の概要: On The Universality of Diagrams for Causal Inference and The Causal
Reproducing Property
- arxiv url: http://arxiv.org/abs/2207.02917v1
- Date: Wed, 6 Jul 2022 18:54:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-09 06:48:45.585256
- Title: On The Universality of Diagrams for Causal Inference and The Causal
Reproducing Property
- Title（参考訳）: 因果推論用ダイアグラムの普遍性と因果再生特性について
- Authors: Sridhar Mahadevan
- Abstract要約: 本稿では、因果推論の根底にある普遍性を定義する圏論に基づく枠組みを提案する。
普遍因果推論における2つの基礎的結果を示す。
- 参考スコア（独自算出の注目度）: 4.119151469153588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose Universal Causality, an overarching framework based on category
theory that defines the universal property that underlies causal inference
independent of the underlying representational formalism used. More formally,
universal causal models are defined as categories consisting of objects and
morphisms between them representing causal influences, as well as structures
for carrying out interventions (experiments) and evaluating their outcomes
(observations). Functors map between categories, and natural transformations
map between a pair of functors across the same two categories. Abstract causal
diagrams in our framework are built using universal constructions from category
theory, including the limit or co-limit of an abstract causal diagram, or more
generally, the Kan extension. We present two foundational results in universal
causal inference. The first result, called the Universal Causality Theorem
(UCT), pertains to the universality of diagrams, which are viewed as functors
mapping both objects and relationships from an indexing category of abstract
causal diagrams to an actual causal model whose nodes are labeled by random
variables, and edges represent functional or probabilistic relationships. UCT
states that any causal inference can be represented in a canonical way as the
co-limit of an abstract causal diagram of representable objects. UCT follows
from a basic result in the theory of sheaves. The second result, the Causal
Reproducing Property (CRP), states that any causal influence of a object X on
another object Y is representable as a natural transformation between two
abstract causal diagrams. CRP follows from the Yoneda Lemma, one of the deepest
results in category theory. The CRP property is analogous to the reproducing
property in Reproducing Kernel Hilbert Spaces that served as the foundation for
kernel methods in machine learning.
- Abstract（参考訳）: 普遍因果関係 (Universal Causality) は、圏論に基づいて、基礎となる表現形式主義とは無関係に因果推論を基礎とする普遍性を定義する枠組みである。
より形式的には、普遍因果モデルは、因果的影響を表す対象とそれらの間の射、および介入(実験)を実行し、それらの結果(観察)を評価するための構造からなるカテゴリとして定義される。
関手は同じ2つの圏にまたがる一対の関手の間の圏と自然変換を写像する。
我々のフレームワークにおける抽象因果図は、抽象因果図の極限や共極限を含む圏論からの普遍的な構成を用いて構築される。
普遍因果推論における2つの基礎的結果を示す。
普遍因果性定理 (uct) と呼ばれる最初の結果は、抽象因果図のインデックス化圏から、ノードが確率変数によってラベル付けされ、エッジが機能的あるいは確率的関係を表す実際の因果モデルへの対象と関係の両方をマッピングする関手と見なされる図の普遍性に関するものである。
UCTは、任意の因果推論は、表現可能な対象の抽象因果図のコリミットとして正準的に表現できると述べている。
uctは層の理論の基本的な結果から導かれる。
第二の結果、因果再生特性 (CRP) は、対象 X の他の対象 Y に対する因果影響は、2つの抽象因果図形の間の自然な変換として表すことができると述べている。
CRPは、圏論において最も深い結果の1つである Yoneda Lemma から従う。
CRP特性は、機械学習におけるカーネルメソッドの基盤となった再生カーネルヒルベルト空間の再生特性に類似している。
関連論文リスト
- Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。
本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。
本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文 参考訳（メタデータ） (2024-01-05T02:00:27Z) - Causal models in string diagrams [0.0]
因果モデル(英語版)の枠組みは、今日多くの科学的領域で適用されている因果推論に対する原則化されたアプローチを提供する。
本稿では,この枠組みを,圏論を用いて形式的に解釈した文字列図形言語に提示する。
因果モデルフレームワークによる因果推論は、最も自然かつ直感的に図式推論として行われることを議論し、実証する。
論文 参考訳（メタデータ） (2023-04-15T21:54:48Z) - Hierarchical Graph Neural Networks for Causal Discovery and Root Cause
Localization [52.72490784720227]
REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。
Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。
個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
論文 参考訳（メタデータ） (2023-02-03T20:17:45Z) - A Layered Architecture for Universal Causality [4.119151469153588]
UCLA(Universal Causality Layered Architecture)と呼ばれる階層階層アーキテクチャを提案する。
最上位のレベルでは、因果介入は順序数の単純圏を用いてモデル化される。
第2層では、因果モデルはグラフ型カテゴリで定義される。
論文 参考訳（メタデータ） (2022-12-18T00:53:19Z) - On the Complexity of Bayesian Generalization [141.21610899086392]
我々は、多様かつ自然な視覚スペクトルにおいて、概念一般化を大規模に考える。
問題空間が大きくなると、2つのモードが研究され、$complexity$が多様になる。
論文 参考訳（メタデータ） (2022-11-20T17:21:37Z) - Unifying Causal Inference and Reinforcement Learning using Higher-Order
Category Theory [4.119151469153588]
本稿では、強化学習における因果関係モデルと予測状態表現モデルの構造発見のための統一的な定式化を提案する。
具体的には、単純なオブジェクトを用いて、両方の設定で構造発見をモデル化する。
論文 参考訳（メタデータ） (2022-09-13T19:04:18Z) - Markov categories, causal theories, and the do-calculus [7.061298918159947]
我々は、有向非巡回グラフ(DAG)上の因果推論の構文を形式化する因果モデルのカテゴリー理論的扱いを与える。
この枠組みは、抽象的かつ「純粋に因果的」の観点から因果的推論において重要な概念を定義し、研究することを可能にする。
論文 参考訳（メタデータ） (2022-04-11T01:27:41Z) - Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。
我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。
理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
論文 参考訳（メタデータ） (2022-03-27T08:08:33Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
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。