論文の概要: Nonlinear Causal Discovery via Kernel Anchor Regression

• arxiv url: http://arxiv.org/abs/2210.16775v1
• Date: Sun, 30 Oct 2022 08:46:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 16:22:45.922202
• Title: Nonlinear Causal Discovery via Kernel Anchor Regression
• Title（参考訳）: カーネルアンカー回帰による非線形因果発見
• Authors: Wenqi Shi and Wenkai Xu
• Abstract要約: 我々はカーネルアンカー回帰(KAR)を提案する非線形設定に取り組む。 我々は提案したKAR推定器の収束結果と非線形構造方程式モデル(SEM)を学習するためのKARの識別可能性条件を提供する。 実験により,提案したKAR推定器の既存のベースラインよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 12.672917592158269
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning causal relationships is a fundamental problem in science. Anchor regression has been developed to address this problem for a large class of causal graphical models, though the relationships between the variables are assumed to be linear. In this work, we tackle the nonlinear setting by proposing kernel anchor regression (KAR). Beyond the natural formulation using a classic two-stage least square estimator, we also study an improved variant that involves nonparametric regression in three separate stages. We provide convergence results for the proposed KAR estimators and the identifiability conditions for KAR to learn the nonlinear structural equation models (SEM). Experimental results demonstrate the superior performances of the proposed KAR estimators over existing baselines.
• Abstract（参考訳）: 因果関係の学習は科学における根本的な問題である。 アンカー回帰は、多くの因果グラフモデルに対してこの問題に対処するために開発されたが、変数間の関係は線形であると仮定されている。 本研究では,kernel anchor regression (kar)を提案することで非線形設定に取り組む。 古典的な二段最小二乗推定器を用いた自然な定式化以外にも、3つの異なる段階における非パラメトリック回帰を含む改良型の研究も行った。 提案したKAR推定器の収束結果と非線形構造方程式モデル(SEM)を学習するためのKARの識別可能性条件を提供する。 実験により,提案したKAR推定器の既存のベースラインよりも優れた性能を示した。

関連論文リスト

• Interpretation of High-Dimensional Regression Coefficients by Comparison with Linearized Compressing Features [0.0]
  リチウムイオン電池のサイクル寿命を予測することによって,高次元関数データからの非線形応答を線形回帰がいかに近似するかを理解することに注力する。 我々は,回帰解の経路の最も近い回帰係数と比較し,特徴係数を導出する線形化法を開発した。
  論文  参考訳（メタデータ） (2024-11-18T20:59:38Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Linear Regression on Manifold Structured Data: the Impact of Extrinsic Geometry on Solutions [4.8234611688915665]
  多様体上に構築されたデータに適用した線形回帰について検討する。 回帰解の特異性に対する多様体の曲率の影響を解析する。
  論文  参考訳（メタデータ） (2023-07-05T17:51:26Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Are Latent Factor Regression and Sparse Regression Adequate? [0.49416305961918056]
  準ガウス雑音と重み付き雑音の存在下でのモデル推定に関する理論的保証を提供する。 本稿ではFacter-Adjusted de-Biased Test (FabTest) と2段階のANOVA型テストを提案する。 数値計算の結果,潜在因子回帰モデルと疎線形回帰モデルに対するモデルの有効性と有効性を示した。
  論文  参考訳（メタデータ） (2022-03-02T16:22:23Z)
• 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)
• Error Bounds of the Invariant Statistics in Machine Learning of Ergodic It\^o Diffusions [8.627408356707525]
  エルゴード的伊藤拡散の機械学習の理論的基盤について検討する。 ドリフト係数と拡散係数の学習における誤差に対する1点および2点不変統計量の誤差の線形依存性を導出する。
  論文  参考訳（メタデータ） (2021-05-21T02:55:59Z)
• 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)
• Kernel Methods for Causal Functions: Dose, Heterogeneous, and Incremental Response Curves [26.880628841819004]
  我々は、一般化されたカーネルリッジ回帰のオリジナル解析により、改良された有限標本率と一様整合性を証明した。 本研究は,本研究の主な成果を,前部および後部ドア基準で同定した反事実分布と因果関数に拡張する。
  論文  参考訳（メタデータ） (2020-10-10T00:53:11Z)

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。