論文の概要: Disentangling Mixtures of Unknown Causal Interventions

• arxiv url: http://arxiv.org/abs/2210.03242v1
• Date: Sat, 1 Oct 2022 08:08:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 16:10:19.592985
• Title: Disentangling Mixtures of Unknown Causal Interventions
• Title（参考訳）: 未知の因果的介入の混合物の分離
• Authors: Abhinav Kumar, Gaurav Sinha
• Abstract要約: 本研究では,特定の因果ベイズネットワーク上での介入の混合に存在する全ての成分を同定する問題について検討する。 我々の証明は、これらのターゲットを可能なターゲットの指数的に大きな探索空間から回収する効率的なアルゴリズムを与える。
• 参考スコア（独自算出の注目度）: 3.214838781410822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many real-world scenarios, such as gene knockout experiments, targeted interventions are often accompanied by unknown interventions at off-target sites. Moreover, different units can get randomly exposed to different unknown interventions, thereby creating a mixture of interventions. Identifying different components of this mixture can be very valuable in some applications. Motivated by such situations, in this work, we study the problem of identifying all components present in a mixture of interventions on a given causal Bayesian Network. We construct an example to show that, in general, the components are not identifiable from the mixture distribution. Next, assuming that the given network satisfies a positivity condition, we show that, if the set of mixture components satisfy a mild exclusion assumption, then they can be uniquely identified. Our proof gives an efficient algorithm to recover these targets from the exponentially large search space of possible targets. In the more realistic scenario, where distributions are given via finitely many samples, we conduct a simulation study to analyze the performance of an algorithm derived from our identifiability proof.
• Abstract（参考訳）: 遺伝子ノックアウト実験のような多くの現実世界のシナリオでは、標的とした介入はしばしば標的外の場所で未知の介入を伴う。 さらに、異なるユニットは、異なる未知の介入にランダムに曝されるため、複数の介入が混在する。 この混合物の異なるコンポーネントを特定することは、いくつかのアプリケーションで非常に有用である。 このような状況に動機づけられた本研究では,与えられた因果ベイズネットワーク上の介入の混合に存在するすべての構成要素を同定する問題について検討する。 我々は、一般に、成分が混合分布から識別できないことを示す例として構成する。 次に、与えられたネットワークが正の条件を満たすと仮定すると、混合成分の集合が穏やかな排他的仮定を満たすならば、それらは一意に識別できることを示す。 我々の証明は、これらのターゲットを可能なターゲットの指数的に大きな探索空間から回収する効率的なアルゴリズムを与える。 有限個のサンプルによって分布が与えられるより現実的なシナリオでは、同定可能性証明から導かれるアルゴリズムの性能を分析するためのシミュレーション研究を行う。

関連論文リスト

• Identifiable Shared Component Analysis of Unpaired Multimodal Mixtures [10.563519176608667]
  マルチモーダル学習における中核的なタスクは、複数の特徴空間(テキストや音声など)からの情報を統合することであり、モダリティに不変なデータ表現を提供することである。 近年の研究では、カノニカル相関分析(CCA)のような古典的なツールが、共有されたコンポーネントを小さなあいまいさまで確実に識別できることが示されている。 この研究はさらに一歩前進し、クロスモーダルなサンプルが不整合である多モード線形混合物の共有成分識別性について研究した。
  論文  参考訳（メタデータ） (2024-09-28T17:43:17Z)
• Learning Unknown Intervention Targets in Structural Causal Models from Heterogeneous Data [27.38242139321935]
  構造因果モデルにおける未知の介入対象を特定する問題について検討する。 潜在的共同設立者の存在下では、観察された変数間の介入対象を一意に決定することはできない。 我々の手法は、返却された候補集合は常に真の介入対象のサブセットであるため、技術の現状を改善します。
  論文  参考訳（メタデータ） (2023-12-11T03:31:54Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• 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)
• Differentiable Causal Discovery Under Latent Interventions [3.867363075280544]
  最近の研究は、介入した変数が未知であっても、勾配に基づく手法による介入データを活用することにより因果発見の有望な結果を示している。 複数の介入分布と1つの観察分布からサンプリングされた広範囲なデータセットを用いたシナリオを想定するが、どの分布がそれぞれのサンプルに由来するのか、どのように介入がシステムに影響を及ぼすのかはわからない。 本稿では、ニューラルネットワークと変分推論に基づいて、無限混合物間の共用因果グラフを学習することで、このシナリオに対処する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-04T14:21:28Z)
• Acquisition-invariant brain MRI segmentation with informative uncertainties [3.46329153611365]
  ポストホックな多地点補正法は存在するが、現実のシナリオではしばしば成立しない強い仮定を持つ。 この研究は、セグメンテーションタスクの文脈において、獲得の物理学に堅牢になるようなアルゴリズムを実証している。 提案手法は, ホールドアウトデータセットの完全化, セグメンテーション品質の維持だけでなく, サイト固有のシーケンス選択も考慮しながら, 一般化できることを実証する。
  論文  参考訳（メタデータ） (2021-11-07T13:58:04Z)
• Learning to Separate Clusters of Adversarial Representations for Robust Adversarial Detection [50.03939695025513]
  本稿では,最近導入された非破壊的特徴を動機とした新しい確率的対向検出器を提案する。 本稿では,非ロバスト特徴を逆例の共通性と考え,その性質に対応する表現空間におけるクラスターの探索が可能であることを推定する。 このアイデアは、別のクラスタ内の逆表現の確率推定分布を導出し、その分布を確率に基づく逆検出器として活用する。
  論文  参考訳（メタデータ） (2020-12-07T07:21:18Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)

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。