論文の概要: Causal Discovery in Probabilistic Networks with an Identifiable Causal Effect

• arxiv url: http://arxiv.org/abs/2208.04627v1
• Date: Tue, 9 Aug 2022 09:44:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 13:13:00.921062
• Title: Causal Discovery in Probabilistic Networks with an Identifiable Causal Effect
• Title（参考訳）: 因果効果を同定した確率的ネットワークにおける因果発見
• Authors: Sina Akbari, Fateme Jamshidi, Ehsan Mokhtarian, Matthew J. Vowels, Jalal Etesami, Negar Kiyavash
• Abstract要約: 因果同定は因果推論文学の中核にある。 この問題に対する答えは、エッジID問題と呼ばれるNPハード最適化の問題に還元されることを示す。
• 参考スコア（独自算出の注目度）: 23.510193478018852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal identification is at the core of the causal inference literature, where complete algorithms have been proposed to identify causal queries of interest. The validity of these algorithms hinges on the restrictive assumption of having access to a correctly specified causal structure. In this work, we study the setting where a probabilistic model of the causal structure is available. Specifically, the edges in a causal graph are assigned probabilities which may, for example, represent degree of belief from domain experts. Alternatively, the uncertainly about an edge may reflect the confidence of a particular statistical test. The question that naturally arises in this setting is: Given such a probabilistic graph and a specific causal effect of interest, what is the subgraph which has the highest plausibility and for which the causal effect is identifiable? We show that answering this question reduces to solving an NP-hard combinatorial optimization problem which we call the edge ID problem. We propose efficient algorithms to approximate this problem, and evaluate our proposed algorithms against real-world networks and randomly generated graphs.
• Abstract（参考訳）: 因果同定は因果推論の文献の中核であり、興味のある因果的クエリを特定するために完全なアルゴリズムが提案されている。 これらのアルゴリズムの妥当性は、正しく指定された因果構造にアクセスするという制限的な仮定に基づいている。 本研究では,因果構造の確率モデルが利用可能な設定について検討する。 具体的には、因果グラフの辺は、例えば、ドメインの専門家からの信条の程度を表す確率として割り当てられる。 あるいは、エッジに関する不確実性は、特定の統計的テストの信頼性を反映する可能性がある。 このような確率グラフと関心の特定の因果効果を考えると、最も可能性の高い部分グラフと因果効果が識別できる部分グラフとは何でしょうか。 この質問に答えることは、edge id問題と呼ぶnp-hard combinatorial optimization問題を解くことにつながることを示している。 本研究では,この問題を近似する効率的なアルゴリズムを提案し,提案手法を実世界ネットワークとランダム生成グラフに対して評価する。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
  我々は,線形非ガウス構造方程式モデルについて考察する。 この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
  論文  参考訳（メタデータ） (2024-08-09T07:24:12Z)
• Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
  因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。 既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。 根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
  論文  参考訳（メタデータ） (2023-12-19T03:24:26Z)
• Subset verification and search algorithms for causal DAGs [13.108039226223793]
  エッジのサブセット(ターゲットエッジ)間の因果関係を学習するために必要な最小の介入セットを特定する問題について検討する。 介入因果グラフのいくつかの興味深い構造的特性を証明し、ここで研究されるサブセット検証・探索問題以外の応用があると信じている。
  論文  参考訳（メタデータ） (2023-01-09T06:25:44Z)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Experimental Design for Causal Effect Identification [31.23071073904698]
  必要な効果を識別するために,最小限のコストで介入の収集を設計する問題を考察する。 まず、この問題がNPハードであることを証明し、次に最適な解や対数近似を求めるアルゴリズムを提案する。 これらのアルゴリズムは準最適解に反する可能性があるが、我々のシミュレーションはランダムグラフに対する小さな後悔を達成していることを示している。
  論文  参考訳（メタデータ） (2022-05-04T13:19:04Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Identifying Causal Effects via Context-specific Independence Relations [9.51801023527378]
  因果効果の同定は、介入確率分布が受動的に観察された分布から一意に決定できるかどうかを考える。 我々は、文脈固有の独立関係の存在下で、因果効果の非識別性を決定することはNPハードであることを示す。 そこで我々は,CSIの存在下での因果関係を識別する計算法と自動探索法を設計した。
  論文  参考訳（メタデータ） (2020-09-21T11:38:15Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。