論文の概要: Sample-Specific Root Causal Inference with Latent Variables

• arxiv url: http://arxiv.org/abs/2210.15340v1
• Date: Thu, 27 Oct 2022 11:33:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 13:35:55.520981
• Title: Sample-Specific Root Causal Inference with Latent Variables
• Title（参考訳）: 潜伏変数を持つサンプル特異的ルート因果推論
• Authors: Eric V. Strobl, Thomas A. Lasko
• Abstract要約: ルート因果解析は、望ましくない結果を引き起こす初期摂動の集合を同定しようとする。 我々はShapley値を用いて予測率を厳格に定量化した。 本稿では, 汚染条件を回復するために, 抽出エラー (Extract Errors with Latents, EEL) と呼ばれる手法を提案する。
• 参考スコア（独自算出の注目度）: 10.885111578191564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Root causal analysis seeks to identify the set of initial perturbations that induce an unwanted outcome. In prior work, we defined sample-specific root causes of disease using exogenous error terms that predict a diagnosis in a structural equation model. We rigorously quantified predictivity using Shapley values. However, the associated algorithms for inferring root causes assume no latent confounding. We relax this assumption by permitting confounding among the predictors. We then introduce a corresponding procedure called Extract Errors with Latents (EEL) for recovering the error terms up to contamination by vertices on certain paths under the linear non-Gaussian acyclic model. EEL also identifies the smallest sets of dependent errors for fast computation of the Shapley values. The algorithm bypasses the hard problem of estimating the underlying causal graph in both cases. Experiments highlight the superior accuracy and robustness of EEL relative to its predecessors.
• Abstract（参考訳）: ルート因果解析は、望ましくない結果を引き起こす初期摂動の集合を同定しようとする。 先行研究では, 構造方程式モデルで診断を予測する外来誤差項を用いて, 病原性疾患のサンプル特異的根因を定義した。 我々はShapley値を用いて予測率を厳格に定量化した。 しかし、根を推論するための関連するアルゴリズムは、潜伏する欠点を含まない。 我々はこの仮定を、予測者間の相反を許すことで緩和する。 次に,線形非ガウス非巡回モデルにおいて,ある経路上の頂点による汚染による誤差項を回復するために,eel(extract error with latents)と呼ばれる対応する手順を導入する。 EELはまた、Shapley値の高速な計算のための依存誤差の最小セットを特定する。 このアルゴリズムは、両方のケースで基礎となる因果グラフを推定する難しい問題をバイパスする。 実験は、前者と比較してEELの精度と堅牢性を強調している。

関連論文リスト

• Causal-discovery-based root-cause analysis and its application in time-series prediction error diagnosis [8.309366167066278]
  ヒューリスティック帰属法は役に立つが、しばしば真の因果関係を捉えることに失敗し、不正確な帰属をもたらす。 本稿では、予測誤差と説明変数の因果関係を推定する因果因果因果因果関係解析法(CD-RCA)を提案する。 合成誤差データをシミュレートすることで、CD-RCAはシェープリー値による予測誤差の外れ値への可変寄与を識別できる。
  論文  参考訳（メタデータ） (2024-11-11T13:48:13Z)
• Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
  我々は,線形非ガウス構造方程式モデルについて考察する。 この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
  論文  参考訳（メタデータ） (2024-08-09T07:24:12Z)
• 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)
• Identifying Patient-Specific Root Causes with the Heteroscedastic Noise Model [10.885111578191564]
  本研究は, 患者特異的根本原因の同定に焦点をあて, 構造方程式モデルにおける誤差項の標本特異的予測性について考察する。 Generalized Root Causal Inference (GRCI) と呼ばれるアルゴリズムを用いてエラー項を正しく抽出する。
  論文  参考訳（メタデータ） (2022-05-25T23:51:31Z)
• Modeling High-Dimensional Data with Unknown Cut Points: A Fusion Penalized Logistic Threshold Regression [2.520538806201793]
  従来のロジスティック回帰モデルでは、リンク関数は線形で連続であると見なされることが多い。 我々は、全ての連続した特徴が順序レベルに離散化され、さらにバイナリ応答が決定されるしきい値モデルを考える。 糖尿病のような慢性疾患の早期発見と予知の問題において,ラッソモデルが好適であることが判明した。
  論文  参考訳（メタデータ） (2022-02-17T04:16:40Z)
• Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression [14.493176427999028]
  線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。 一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
  論文  参考訳（メタデータ） (2022-02-10T18:51:52Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• 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)
• 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 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)
• On the Convergence Rate of Projected Gradient Descent for a Back-Projection based Objective [58.33065918353532]
  我々は、最小二乗(LS)の代替として、バックプロジェクションに基づく忠実度項を考える。 LS項ではなくBP項を用いることで最適化アルゴリズムの繰り返しを少なくすることを示す。
  論文  参考訳（メタデータ） (2020-05-03T00:58:23Z)

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。