論文の概要: Probabilistic Variational Causal Effect as A new Theory for Causal
Reasoning
- arxiv url: http://arxiv.org/abs/2208.06269v1
- Date: Fri, 12 Aug 2022 13:34:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 13:37:08.893531
- Title: Probabilistic Variational Causal Effect as A new Theory for Causal
Reasoning
- Title(参考訳): 因果推論の新しい理論としての確率的変分因果効果
- Authors: Usef Faghihi, Amir Saki
- Abstract要約: 確率的および非確率的問題に対処できる新しい因果的枠組みを導入する。
因果効果の式は、確率論と統合された関数の総変分という考え方を用いる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we introduce a new causal framework capable of dealing with
probabilistic and non-probabilistic problems. Indeed, we provide a formula
called Probabilistic vAriational Causal Effect (PACE). Our formula of causal
effect uses the idea of total variation of a function integrated with
probability theory. PACE has a parameter $d$ determining the degree of being
probabilistic. The lower values of $d$ refer to the scenarios that rare cases
are important. In contrast, with the higher values of $d$, our model deals with
the problems that are in nature probabilistic. Hence, instead of a single value
for causal effect, we provide a causal effect vector by discretizing $d$. We
also address the problem of computing counterfactuals in causal reasoning. We
compare our model to the Pearl model, the mutual information model, the
conditional mutual information model, and the Janzing et al. model by
investigating several examples.
- Abstract(参考訳): 本稿では,確率的および非確率的問題に対処できる新しい因果的枠組みを提案する。
実際、確率的偏差因果効果 (Probabilistic vAriational Causal Effect, PACE) という式を提供する。
因果効果の式は確率論と統合された関数の総変分という考え方を用いる。
PACE は確率的である度合いを決定するパラメータ $d$ を持つ。
$d$の低い値は、まれなケースが重要であるシナリオを参照してください。
対照的に、$d$のより高い値とは異なり、我々のモデルは本質的に確率的な問題を扱う。
したがって、因果効果の単一の値の代わりに$d$を離散化することで因果効果ベクトルを提供する。
また,因果推論における反事実計算の問題にも対処する。
我々は,本モデルとパールモデル,相互情報モデル,条件付き相互情報モデル,およびJanzing et al.モデルを比較し,いくつかの事例について考察する。
関連論文リスト
- Quantifying the Sensitivity of Inverse Reinforcement Learning to
Misspecification [72.08225446179783]
逆強化学習は、エージェントの行動からエージェントの好みを推測することを目的としている。
これを行うには、$pi$が$R$とどのように関係しているかの振る舞いモデルが必要です。
我々は、IRL問題が行動モデルの不特定性にどれほど敏感であるかを分析する。
論文 参考訳(メタデータ) (2024-03-11T16:09:39Z) - Subjective Causality [14.440599230549443]
我々は因果モデル(構造方程式モデルとも呼ばれる)を用いて因果性を表現する。
介入の好みを観察することで意思決定者の主観的因果判断を理解・特定できることを示す。
論文 参考訳(メタデータ) (2024-01-17T11:36:38Z) - Linking a predictive model to causal effect estimation [21.869233469885856]
本稿では、まず、ある事例における結果に対する特徴(治療としての)の因果効果を推定する挑戦に取り組む。
理論的結果は、予測モデルを因果効果推定に自然に関連付け、予測モデルが因果的解釈可能であることを示唆する。
本稿では, 種々の予測モデルを用いて, 条件を満たす場合, 特徴の因果効果を, 最先端の因果効果推定法と同じくらい正確に推定できることを実証する。
論文 参考訳(メタデータ) (2023-04-10T13:08:16Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳(メタデータ) (2022-10-13T17:18:59Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳(メタデータ) (2022-06-04T22:38:57Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - A Negation Quantum Decision Model to Predict the Interference Effect in
Categorization [3.997680012976965]
干渉効果は、場合によっては総確率原理を破る分類によって引き起こされる。
本稿では、干渉を予測するために、否定量子モデル(NQモデル)を開発した。
論文 参考訳(メタデータ) (2021-04-19T05:30:00Z) - 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) - Information-Theoretic Approximation to Causal Models [0.0]
有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。
X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。
本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
論文 参考訳(メタデータ) (2020-07-29T18:34:58Z) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳(メタデータ) (2020-05-18T23:48:56Z) - Interventions and Counterfactuals in Tractable Probabilistic Models:
Limitations of Contemporary Transformations [12.47276164048813]
本研究では,SPNを因果グラフ介入推論に変換すると,限界分布の計算に還元されることを示す。
まず,PSDDから因果グラフを構築するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-29T15:45:47Z)
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。