論文の概要: Independence Testing-Based Approach to Causal Discovery under
Measurement Error and Linear Non-Gaussian Models
- arxiv url: http://arxiv.org/abs/2210.11021v1
- Date: Thu, 20 Oct 2022 05:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 13:12:08.622111
- Title: Independence Testing-Based Approach to Causal Discovery under
Measurement Error and Linear Non-Gaussian Models
- Title（参考訳）: 独立テストに基づく測定誤差と線形非ガウスモデルによる因果発見へのアプローチ
- Authors: Haoyue Dai, Peter Spirtes, Kun Zhang
- Abstract要約: 因果発見は、観測データを生成する因果構造を復元することを目的としている。
この問題の特定の定式化を考えると、観測されていない対象変数は非ガウス非巡回線型モデルに従う。
本研究では,ある測定変数の特定の線形変換と,他の測定変数との独立性をチェックする変態独立雑音条件を提案する。
- 参考スコア（独自算出の注目度）: 9.016435298155827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal discovery aims to recover causal structures generating the
observational data. Despite its success in certain problems, in many real-world
scenarios the observed variables are not the target variables of interest, but
the imperfect measures of the target variables. Causal discovery under
measurement error aims to recover the causal graph among unobserved target
variables from observations made with measurement error. We consider a specific
formulation of the problem, where the unobserved target variables follow a
linear non-Gaussian acyclic model, and the measurement process follows the
random measurement error model. Existing methods on this formulation rely on
non-scalable over-complete independent component analysis (OICA). In this work,
we propose the Transformed Independent Noise (TIN) condition, which checks for
independence between a specific linear transformation of some measured
variables and certain other measured variables. By leveraging the
non-Gaussianity and higher-order statistics of data, TIN is informative about
the graph structure among the unobserved target variables. By utilizing TIN,
the ordered group decomposition of the causal model is identifiable. In other
words, we could achieve what once required OICA to achieve by only conducting
independence tests. Experimental results on both synthetic and real-world data
demonstrate the effectiveness and reliability of our method.
- Abstract（参考訳）: 因果発見は、観測データを生成する因果構造を回復することを目的としている。
特定の問題で成功したにもかかわらず、多くの実世界のシナリオでは、観測変数は対象変数ではなく、対象変数の不完全測度である。
測定誤差による因果発見は、測定誤差による観測から観測対象変数の因果グラフを回復することを目的としている。
本研究では,非観測対象変数が線形非ガウス非巡回モデルに従い,測定過程がランダムな測定誤差モデルに従う問題の定式化を考える。
この定式化の既存の方法は、計算不能な超完全独立成分分析(OICA)に依存している。
本研究では、ある測定変数の特定の線形変換と、他の測定変数との独立性をチェックする変換独立雑音(TIN)条件を提案する。
非ガウス性および高次データ統計を利用して、TINは観測されていない対象変数のグラフ構造について情報を与える。
TINを利用することで、因果モデルの順序付き群分解を同定できる。
言い換えれば、oicaがかつて必要だった独立テストを実施するだけで達成できたということです。
合成データと実世界のデータの両方における実験結果から,本手法の有効性と信頼性が示された。
関連論文リスト
- Structural restrictions in local causal discovery: identifying direct
causes of a target variable [0.0]
観測的関節分布から対象変数の直接的原因の集合を学習する問題を考察する。
有限個のランダムサンプルから直接原因を推定する2つの実用的なアルゴリズムを提案し,その有効性をいくつかのベンチマークデータセットで示す。
論文 参考訳（メタデータ） (2023-07-29T18:31:35Z) - Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
本研究では,不正確な連続処理変数を仮定するモデルについて検討する。
提案手法の因果効果推定は, 測定誤差のばらつきや, その他の側面情報の知識がなくても, 同定可能であることを証明した。
我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
論文 参考訳（メタデータ） (2023-06-18T18:38:10Z) - 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) - Weight-variant Latent Causal Models [79.79711624326299]
因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。
本研究では,潜伏因果変数の同定に焦点をあてる。
推移性は潜伏因果変数の識別性を著しく阻害することを示す。
本稿では,潜時因果変数を直接学習する構造式caUsAl変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2022-08-30T11:12:59Z) - Causal Inference with Treatment Measurement Error: A Nonparametric
Instrumental Variable Approach [24.52459180982653]
原因が誤りである場合の因果効果に対するカーネルベースの非パラメトリック推定器を提案する。
提案手法であるMEKIVは,測定誤差の強度変化の下で,ベースラインを改良し,頑健であることを示す。
論文 参考訳（メタデータ） (2022-06-18T11:47:25Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z) - Discovery of Causal Additive Models in the Presence of Unobserved
Variables [6.670414650224422]
観測されていない変数に影響されたデータからの因果発見は、重要だが解決が難しい問題である。
本研究では,非観測変数に偏らされることなく理論的に同定可能なすべての因果関係を同定する手法を提案する。
論文 参考訳（メタデータ） (2021-06-04T03:28:27Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-28T11:07:59Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - 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)
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。