論文の概要: Conditional Independence Testing via Latent Representation Learning

• arxiv url: http://arxiv.org/abs/2209.01547v1
• Date: Sun, 4 Sep 2022 07:16:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 12:49:37.509510
• Title: Conditional Independence Testing via Latent Representation Learning
• Title（参考訳）: 潜在表現学習による条件付き独立テスト
• Authors: Bao Duong and Thin Nguyen
• Abstract要約: LCIT(Latent representation based Conditional Independence Test)は、表現学習に基づく条件付き独立テストのための新しい非パラメトリック手法である。 我々の主な貢献は、Z が与えられた X と Y の独立性をテストするための生成的枠組みの提案である。
• 参考スコア（独自算出の注目度）: 2.566492438263125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting conditional independencies plays a key role in several statistical and machine learning tasks, especially in causal discovery algorithms. In this study, we introduce LCIT (Latent representation based Conditional Independence Test)-a novel non-parametric method for conditional independence testing based on representation learning. Our main contribution involves proposing a generative framework in which to test for the independence between X and Y given Z, we first learn to infer the latent representations of target variables X and Y that contain no information about the conditioning variable Z. The latent variables are then investigated for any significant remaining dependencies, which can be performed using the conventional partial correlation test. The empirical evaluations show that LCIT outperforms several state-of-the-art baselines consistently under different evaluation metrics, and is able to adapt really well to both non-linear and high-dimensional settings on a diverse collection of synthetic and real data sets.
• Abstract（参考訳）: 条件付き無依存の検出は、いくつかの統計および機械学習タスク、特に因果発見アルゴリズムにおいて重要な役割を果たす。 本研究では,表現学習に基づく条件付き独立性テストのための新しい非パラメトリック手法であるlcit(latent representation based conditional independence test)を提案する。 我々の主な貢献は、Z が与えられた X と Y の独立性をテストするための生成フレームワークの提案であり、まず条件変数 Z に関する情報を持たない対象変数 X と Y の潜在表現を推論することである。 実験的な評価では、LCITは様々な評価基準の下で一貫していくつかの最先端のベースラインを上回り、多様な合成データセットと実データセットのコレクションにおいて、非線形および高次元の両方に順応することができる。

関連論文リスト

• On Discovery of Local Independence over Continuous Variables via Neural Contextual Decomposition [26.34622544479565]
  親変数の協調代入の特定のセットに係わる地域独立関係を定義し,特徴づける。 そこで我々は,各集合にCSSIを誘導させることによって,その分割を学習するニューラルコンテクスト分解(NCD)を提案する。
  論文  参考訳（メタデータ） (2024-05-12T08:48:37Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Model-Free Sequential Testing for Conditional Independence via Testing by Betting [8.293345261434943]
  提案されたテストでは、任意の依存関係構造を持つ入ってくるi.d.データストリームを分析できる。 重要な結果が検出されれば,オンライン上でのデータポイントの処理を可能とし,データ取得を停止する。
  論文  参考訳（メタデータ） (2022-10-01T20:05:33Z)
• Non-Parametric Inference of Relational Dependence [17.76905154531867]
  本研究では,関係系から引き出されたデータの独立性を推定する問題について検討する。 我々は,非観測データに対する関係独立性試験を運用するために,一貫した,非パラメトリックでスケーラブルなカーネルテストを提案する。
  論文  参考訳（メタデータ） (2022-06-30T03:42:20Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Data-Driven Representations for Testing Independence: Modeling, Analysis and Connection with Mutual Information Estimation [3.9023554886892433]
  この研究は、データ駆動パーティションの設計から、2つの連続および有限次元のランダム変数の独立性をテストする。 オラクルテストの十分な統計量の近似は、データ駆動パーティションを設計するための学習基準を提供する。 いくつかの実験分析は、データ駆動表現を使用しないいくつかの戦略と比較して、テスト独立性に対する我々のスキームの利点に関する証拠を提供する。
  論文  参考訳（メタデータ） (2021-10-27T02:06:05Z)
• Self-Supervised Learning with Data Augmentations Provably Isolates Content from Style [32.20957709045773]
  我々は拡張過程を潜在変数モデルとして定式化する。 本研究では,2対の観測結果に基づいて,潜在表現の識別可能性について検討した。 Causal3DIdentは、因果関係が豊富な高次元、視覚的に複雑な画像のデータセットである。
  論文  参考訳（メタデータ） (2021-06-08T18:18:09Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。