Fugu-MT 論文翻訳(概要): Formalizing Statistical Causality via Modal Logic

論文の概要: Formalizing Statistical Causality via Modal Logic

arxiv url: http://arxiv.org/abs/2210.16751v5
Date: Sun, 17 Sep 2023 11:02:04 GMT
ステータス: 処理完了
システム内更新日: 2023-09-20 01:22:12.330764
Title: Formalizing Statistical Causality via Modal Logic
Title（参考訳）: モーダル論理による統計的因果関係の定式化
Authors: Yusuke Kawamoto, Tetsuya Sato, Kohei Suenaga
Abstract要約: 因果効果を表現するための統計的因果言語(StaCL)を定義した。 StaCLは統計的因果推論の正確性を特定するのに使うことができる。
参考スコア（独自算出の注目度）: 0.8103046443444949
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a formal language for describing and explaining statistical causality. Concretely, we define Statistical Causality Language (StaCL) for expressing causal effects and specifying the requirements for causal inference. StaCL incorporates modal operators for interventions to express causal properties between probability distributions in different possible worlds in a Kripke model. We formalize axioms for probability distributions, interventions, and causal predicates using StaCL formulas. These axioms are expressive enough to derive the rules of Pearl's do-calculus. Finally, we demonstrate by examples that StaCL can be used to specify and explain the correctness of statistical causal inference.
Abstract（参考訳）: 統計的因果関係を記述・説明するための形式言語を提案する。具体的には,統計的因果関係言語(StaCL)を定義し,因果関係の条件を規定する。 staclは、クリプケモデルにおいて、異なる可能な世界における確率分布間の因果特性を表現するために介入のためにモード演算子を組み込んでいる。確率分布,介入,因果述語に対する公理を StaCL 式を用いて定式化する。これらの公理はパールのdo-calculusの規則を導出するのに十分表現的である。最後に,StaCLを用いて統計的因果推論の正しさを特定・説明できることを示す。

関連論文リスト

Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2023-08-24T16:06:36Z)
User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文参考訳（メタデータ） (2023-06-13T03:42:03Z)
Reinterpreting causal discovery as the task of predicting unobserved joint statistics [15.088547731564782]
我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
論文参考訳（メタデータ） (2023-05-11T15:30:54Z)
Axiomatization of Interventional Probability Distributions [1.5229257192293197]
因果的介入は、do-calculusの規則の下で公理化される。確率分布の族に対する簡単な公理化を提供する。自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文参考訳（メタデータ） (2023-05-08T06:07:42Z)
Bounding Counterfactuals under Selection Bias [60.55840896782637]
本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
論文参考訳（メタデータ） (2022-07-26T10:33:10Z)
Typing assumptions improve identification in causal discovery [123.06886784834471]
観測データからの因果発見は、正確な解を常に特定できない難しい課題である。そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
論文参考訳（メタデータ） (2021-07-22T14:23:08Z)
A Topological Perspective on Causal Inference [10.965065178451104]
仮定のない因果推論は、構造因果モデルの単なる集合においてのみ可能であることを示す。以上の結果から,有効な因果推論を行うのに十分な帰納的仮定は,原理上は統計的に検証できないことが示唆された。我々のトポロジカルアプローチのさらなる利点は、無限に多くの変数を持つSCMに容易に対応できることである。
論文参考訳（メタデータ） (2021-07-18T23:09:03Z)
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)
Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文参考訳（メタデータ） (2020-11-04T10:00:27Z)
Enforcing Interpretability and its Statistical Impacts: Trade-offs between Accuracy and Interpretability [30.501012698482423]
機械学習における解釈可能性の統計的コストに関する公式な研究は行われていない。我々は、解釈可能な仮説の集合に対して経験的リスク最小化を行う行為として、解釈可能性を促進する行為をモデル化する。我々は,解釈可能な分類器に対する制限が,過度な統計リスクの犠牲になる場合,正確性と解釈可能性の間のトレードオフを観察できるかどうかを事例分析により説明する。
論文参考訳（メタデータ） (2020-10-26T17:52:34Z)
Conditional independences and causal relations implied by sets of equations [1.847740135967371]
我々はシモンの因果順序付けアルゴリズムを用いて因果順序付けグラフを構築する。ある種の特異な可解性仮定の下で方程式に対する完全介入の効果を表現する。このアプローチが既存の因果モデリングフレームワークの制約を明らかにし,対処する方法について論じる。
論文参考訳（メタデータ） (2020-07-14T17:00:28Z)

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。