論文の概要: Variation-based Cause Effect Identification

• arxiv url: http://arxiv.org/abs/2211.12016v1
• Date: Tue, 22 Nov 2022 05:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 16:35:09.493200
• Title: Variation-based Cause Effect Identification
• Title（参考訳）: 変分に基づく原因効果の同定
• Authors: Mohamed Amine ben Salem and Karim Said Barsim and Bin Yang
• Abstract要約: 本稿では、因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。 我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズムの独立(ICM)の原理に依存している。 因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。
• 参考スコア（独自算出の注目度）: 5.744133015573047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mining genuine mechanisms underlying the complex data generation process in real-world systems is a fundamental step in promoting interpretability of, and thus trust in, data-driven models. Therefore, we propose a variation-based cause effect identification (VCEI) framework for causal discovery in bivariate systems from a single observational setting. Our framework relies on the principle of independence of cause and mechanism (ICM) under the assumption of an existing acyclic causal link, and offers a practical realization of this principle. Principally, we artificially construct two settings in which the marginal distributions of one covariate, claimed to be the cause, are guaranteed to have non-negligible variations. This is achieved by re-weighting samples of the marginal so that the resultant distribution is notably distinct from this marginal according to some discrepancy measure. In the causal direction, such variations are expected to have no impact on the effect generation mechanism. Therefore, quantifying the impact of these variations on the conditionals reveals the genuine causal direction. Moreover, we formulate our approach in the kernel-based maximum mean discrepancy, lifting all constraints on the data types of cause-and-effect covariates, and rendering such artificial interventions a convex optimization problem. We provide a series of experiments on real and synthetic data showing that VCEI is, in principle, competitive to other cause effect identification frameworks.
• Abstract（参考訳）: 現実のシステムにおける複雑なデータ生成プロセスの基盤となる真のメカニズムのマイニングは、データ駆動モデルの解釈可能性を促進するための基本的なステップである。 そこで本研究では,2変量系の因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。 我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズム(ICM)の独立原理に依存しており、この原理を実践的に実現している。 主に1つの共変量の限界分布が原因であると主張される2つの設定を人工的に構築し,不可分な変動が保証される。 これはマージンのサンプルを再重み付けすることで達成され、結果分布はいくつかの不一致測度に従ってこのマージンと明確に区別される。 因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。 したがって、これらの変動の条件に対する影響を定量化すると、真の因果方向が明らかになる。 さらに,この手法をカーネルに基づく最大平均偏差で定式化し,原因・効果共変量のデータ型に対するすべての制約を解除し,そのような人工的な介入を凸最適化問題とする。 我々は、VCEIが原則として、他の原因効果識別フレームワークと競合していることを示す実データおよび合成データに関する一連の実験を行った。

関連論文リスト

• Unifying Causal Representation Learning with the Invariance Principle [21.375611599649716]
  因果表現学習は、高次元観測から潜伏因果変数を復元することを目的としている。 我々の主な貢献は、既存の因果表現学習アプローチの多くが、その表現を既知のデータ対称性に方法論的に整合させることである。
  論文  参考訳（メタデータ） (2024-09-04T14:51:36Z)
• Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
  データをi.i.d.に含まない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-29T07:31:18Z)
• Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms [17.368146833023893]
  本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。
  論文  参考訳（メタデータ） (2024-01-31T17:28:05Z)
• Disentangle Estimation of Causal Effects from Cross-Silo Data [14.684584362172666]
  本稿では,モデルパラメータのシームレスなクロスサイロ伝送を容易にするために設計された,革新的なアンタングルアーキテクチャを提案する。 種々の欠落領域におけるバイアスを効果的に緩和するために,グローバルな制約を方程式に導入する。 我々の手法は最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-01-04T09:05:37Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• 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)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。

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。