論文の概要: Learning Relational Causal Models with Cycles through Relational
Acyclification
- arxiv url: http://arxiv.org/abs/2208.12210v2
- Date: Fri, 26 Aug 2022 15:54:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 10:47:40.057433
- Title: Learning Relational Causal Models with Cycles through Relational
Acyclification
- Title（参考訳）: リレーショナル・サイクリゼーションによるサイクル付き関係因果モデル学習
- Authors: Ragib Ahsan, David Arbour, Elena Zheleva
- Abstract要約: 本稿では,関係モデルに特化して設計されたテキスト・アサイクリフィケーションを提案する。
リレーショナルアサイクリゼーションと$sigma$-faithfulnessという仮定の下で、リレーショナル因果探索アルゴリズム RCD はサイクリックモデルに対して健全かつ完全であることを示す。
- 参考スコア（独自算出の注目度）: 16.10327013845982
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In real-world phenomena which involve mutual influence or causal effects
between interconnected units, equilibrium states are typically represented with
cycles in graphical models. An expressive class of graphical models,
\textit{relational causal models}, can represent and reason about complex
dynamic systems exhibiting such cycles or feedback loops. Existing cyclic
causal discovery algorithms for learning causal models from observational data
assume that the data instances are independent and identically distributed
which makes them unsuitable for relational causal models. At the same time,
causal discovery algorithms for relational causal models assume acyclicity. In
this work, we examine the necessary and sufficient conditions under which a
constraint-based relational causal discovery algorithm is sound and complete
for \textit{cyclic relational causal models}. We introduce \textit{relational
acyclification}, an operation specifically designed for relational models that
enables reasoning about the identifiability of cyclic relational causal models.
We show that under the assumptions of relational acyclification and
$\sigma$-faithfulness, the relational causal discovery algorithm RCD (Maier et
al. 2013) is sound and complete for cyclic models. We present experimental
results to support our claim.
- Abstract（参考訳）: 相互影響や相互結合単位間の因果効果を含む実世界の現象では、平衡状態は典型的にはグラフィカルモデルのサイクルで表される。
グラフィカルモデルの表現型クラス \textit{relational causal model} は、そのようなサイクルやフィードバックループを示す複雑な力学系を表現し、推論することができる。
観測データから因果モデルを学習するための既存の巡回因果発見アルゴリズムは、データインスタンスが独立で同一に分散していると仮定し、関係因果モデルには適さない。
同時に、関係因果モデルに対する因果発見アルゴリズムが非巡回性を仮定する。
本研究では,制約に基づく関係因果探索アルゴリズムが正当かつ完全である必要十分条件について検討する。
循環関係因果モデルの識別可能性に関する推論を可能にする関係モデル専用に設計された演算である \textit{relational acyclification} を導入する。
関係の循環化と$\sigma$-faithfulnessという仮定の下では、関係因果発見アルゴリズムrcd(maier et al. 2013)は巡回モデルに対して健全かつ完全であることが示されている。
我々の主張を支持する実験結果を示す。
関連論文リスト
- Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z) - 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) - NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。
構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
論文 参考訳（メタデータ） (2023-01-04T23:28:18Z) - Relational Causal Models with Cycles:Representation and Reasoning [16.10327013845982]
フィードバックループによるリレーショナルシステムを理解するための新しい基準であるリレーショナル$sigma$-セパレーションを導入する。
我々は$sigma$-AGGの完全性に必要な条件を示し、リレーショナル$sigma$-セパレーションは任意の長さの1つ以上のサイクルの存在下で健全かつ完備であることを示す。
論文 参考訳（メタデータ） (2022-02-22T07:37:17Z) - A general framework for cyclic and fine-tuned causal models and their
compatibility with space-time [2.0305676256390934]
因果モデリングは、観測された相関の因果的説明を生成するためのツールである。
既存の量子因果関係の枠組みは、微調整されていない非巡回因果構造に焦点を当てる傾向がある。
サイクル因果モデルはフィードバックを含む物理的プロセスのモデル化に使用することができる。
サイクル因果モデルは一般相対性理論のエキゾチック解にも関係があるかもしれない。
論文 参考訳（メタデータ） (2021-09-24T18:00:08Z) - 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) - 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) - Causal Inference with Deep Causal Graphs [0.0]
パラメトリック因果モデリング技術は、カウンターファクト推定の機能を提供することはめったにない。
Deep Causal Graphsは、因果分布をモデル化するニューラルネットワークに必要な機能の抽象的な仕様である。
複雑な相互作用をモデル化する上で,その表現力を示し,機械学習の説明可能性と公正性を示す。
論文 参考訳（メタデータ） (2020-06-15T13:03:33Z) - Structure Learning for Cyclic Linear Causal Models [5.567377163246147]
観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。
循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。
論文 参考訳（メタデータ） (2020-06-10T17:47:28Z) - 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。