論文の概要: On the Representation of Causal Background Knowledge and its Applications in Causal Inference

• arxiv url: http://arxiv.org/abs/2207.05067v1
• Date: Sun, 10 Jul 2022 16:20:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 13:04:33.993848
• Title: On the Representation of Causal Background Knowledge and its Applications in Causal Inference
• Title（参考訳）: 因果的背景知識の表現とその因果推論への応用について
• Authors: Zhuangyan Fang, Ruiqi Zhao, Yue Liu, Yangbo He
• Abstract要約: 因果関係や経路の存在や欠如に関する因果関係の知識は、観察研究においてしばしば見られる。 本稿ではまず,因果性MPDAGの音響的特徴と,因果性MPDAGの最小表現について述べる。 次に、すべての因果的背景知識を統一形式で表現するために、直接因果的節(DCC)と呼ばれる新しい表現を導入する。
• 参考スコア（独自算出の注目度）: 9.08056384998121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal background knowledge about the existence or the absence of causal edges and paths is frequently encountered in observational studies. The shared directed edges and links of a subclass of Markov equivalent DAGs refined due to background knowledge can be represented by a causal maximally partially directed acyclic graph (MPDAG). In this paper, we first provide a sound and complete graphical characterization of causal MPDAGs and give a minimal representation of a causal MPDAG. Then, we introduce a novel representation called direct causal clause (DCC) to represent all types of causal background knowledge in a unified form. Using DCCs, we study the consistency and equivalency of causal background knowledge and show that any causal background knowledge set can be equivalently decomposed into a causal MPDAG plus a minimal residual set of DCCs. Polynomial-time algorithms are also provided for checking the consistency, equivalency, and finding the decomposed MPDAG and residual DCCs. Finally, with causal background knowledge, we prove a sufficient and necessary condition to identify causal effects and surprisingly find that the identifiability of causal effects only depends on the decomposed MPDAG. We also develop a local IDA-type algorithm to estimate the possible values of an unidentifiable effect. Simulations suggest that causal background knowledge can significantly improve the identifiability of causal effects.
• Abstract（参考訳）: 因果縁と経路の存在または欠如に関する因果的背景知識は、観察的研究においてしばしば遭遇する。 背景知識により洗練されたマルコフ等価なDAGのサブクラスの共有有向エッジとリンクは、因果極大部分非巡回グラフ(MPDAG)で表すことができる。 本稿では,まず,因果性MPDAGの音響的,完全なグラフィカルな特徴を提示し,因果性MPDAGの最小表現を与える。 そこで本研究では,すべての因果的背景知識を統一形式で表現するために,DCC(direct causal clause)という新しい表現を導入する。 因果的背景知識の一貫性と等価性をDCCを用いて検討し,任意の因果的背景知識集合を因果的MPDAGと最小限のDCC集合に等価に分解可能であることを示す。 多項式時間アルゴリズムは、整合性、等価性を確認し、分解されたMPDAGと残留DCCを見つけるためにも提供される。 最後に,因果関係の知識を用いて因果関係の同定に十分かつ必要な条件を証明し,因果関係の識別可能性が分解MPDAGにのみ依存していることを見出した。 また,不特定効果の可能な値を推定する局所IDA型アルゴリズムを開発した。 シミュレーションは因果的背景知識が因果的効果の識別性を大幅に改善することを示唆している。

関連論文リスト

• Local Causal Discovery with Background Knowledge [9.973364796316503]
  あらゆる種類の因果的背景知識を用いて局所構造を学習する手法を提案する。 次に,先行知識の存在下での局所構造のみに基づく因果関係の同定基準を導入する。
  論文  参考訳（メタデータ） (2024-08-15T02:31:48Z)
• 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)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• CKH: Causal Knowledge Hierarchy for Estimating Structural Causal Models from Data and Priors [4.585985446683868]
  因果的知識階層 (CKH) とよばれる概念を, 因果的モデルに符号化する。 我々のアプローチは医学における「証拠のレベル」の基礎の上にあり、因果情報への信頼に焦点を当てている。
  論文  参考訳（メタデータ） (2022-04-28T20:55:38Z)
• 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)
• Causal Inference Principles for Reasoning about Commonsense Causality [93.19149325083968]
  コモンセンス因果推論(Commonsense causality reasoning)は、平均的な人によって妥当と見なされる自然言語記述における妥当な原因と影響を特定することを目的としている。 既存の作業は通常、深い言語モデルに全面的に依存しており、共起を混同する可能性がある。 古典的因果原理に触発され,我々はCCRの中心的問題を明確にし,観察研究と自然言語における人間の対象間の類似性を引き出す。 本稿では,時間信号をインシデント・インシデント・インシデント・インシデント・インシデントとして活用する新しいフレームワークであるROCKをReason O(A)bout Commonsense K(C)ausalityに提案する。
  論文  参考訳（メタデータ） (2022-01-31T06:12:39Z)
• Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
  因果推論は変数間の因果関係を捉えるプロセスである。 本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
  論文  参考訳（メタデータ） (2021-04-19T16:13:10Z)
• Constraint-Based Causal Discovery using Partial Ancestral Graphs in the presence of Cycles [3.716663957642984]
  本稿では,フィードバックを伴うシステムによって生成された観測データに適用した場合,高速因果推論アルゴリズムの出力が正しいことを示す。 これらの結果を制約に基づく因果探索アルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2020-05-01T21:10:31Z)

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。