論文の概要: Characterization and Greedy Learning of Gaussian Structural Causal
Models under Unknown Interventions
- arxiv url: http://arxiv.org/abs/2211.14897v1
- Date: Sun, 27 Nov 2022 17:37:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 20:27:14.015028
- Title: Characterization and Greedy Learning of Gaussian Structural Causal
Models under Unknown Interventions
- Title（参考訳）: 未知の介入下でのガウス構造因果モデルのキャラクタリゼーションと欲望学習
- Authors: Juan L. Gamella, Armeen Taeb, Christina Heinze-Deml, Peter B\"uhlmann
- Abstract要約: 本研究は,各実験における介入対象が不明な場合の観察に基づく因果構造回復の問題について考察する。
干渉対象の知識のないデータ生成モデルの同値クラスを復元するために,GnIESと呼ばれるグリーディアルゴリズムを導出する。
我々は,この手法を活用し,合成,実,半合成のデータセット上でのGnIESの性能を評価する。
- 参考スコア（独自算出の注目度）: 3.441021278275805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of recovering the causal structure underlying
observations from different experimental conditions when the targets of the
interventions in each experiment are unknown. We assume a linear structural
causal model with additive Gaussian noise and consider interventions that
perturb their targets while maintaining the causal relationships in the system.
Different models may entail the same distributions, offering competing causal
explanations for the given observations. We fully characterize this equivalence
class and offer identifiability results, which we use to derive a greedy
algorithm called GnIES to recover the equivalence class of the data-generating
model without knowledge of the intervention targets. In addition, we develop a
novel procedure to generate semi-synthetic data sets with known causal ground
truth but distributions closely resembling those of a real data set of choice.
We leverage this procedure and evaluate the performance of GnIES on synthetic,
real, and semi-synthetic data sets. Despite the strong Gaussian distributional
assumption, GnIES is robust to an array of model violations and competitive in
recovering the causal structure in small- to large-sample settings. We provide,
in the Python packages "gnies" and "sempler", implementations of GnIES and our
semi-synthetic data generation procedure.
- Abstract（参考訳）: 我々は,各実験における介入対象が不明な場合,異なる実験条件からの観測結果に基づく因果構造回復の問題を考える。
付加的なガウス雑音を伴う線形構造因果モデルを仮定し、システム内の因果関係を維持しながら目標を乱す介入を検討する。
異なるモデルは同じ分布を伴い、与えられた観測に対して競合する因果説明を提供する。
我々は、この同値クラスを完全に特徴付け、GnIESと呼ばれる欲求アルゴリズムを導出し、介入対象を知らずにデータ生成モデルの同値クラスを復元する。
さらに,既知な因果的基底真理を持つ半合成的データセットを生成する新しい手法を開発した。
我々は,この手法を活用し,合成,実,半合成データセット上でのGnIESの性能を評価する。
ガウス分布の強い仮定にもかかわらず、GnIESはモデル違反の配列に対して堅牢であり、小さなから大きなサンプル設定で因果構造を復元する競争力がある。
我々は,Pythonパッケージの"gnies"と"sempler"において,GnIESの実装と半合成データ生成手順を提供する。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Combining propensity score methods with variational autoencoders for
generating synthetic data in presence of latent sub-groups [0.0]
ヘテロジニティは、例えば、サブグループラベルによって示されるように知られ、あるいは未知であり、双曲性や歪みのような分布の性質にのみ反映されるかもしれない。
本研究では,変分オートエンコーダ(VAE)から合成データを取得する際に,このような異種性をどのように保存し,制御するかを検討する。
論文 参考訳（メタデータ） (2023-12-12T22:49:24Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳（メタデータ） (2023-03-02T06:33:48Z) - Learning Latent Structural Causal Models [31.686049664958457]
機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。
本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
論文 参考訳（メタデータ） (2022-10-24T20:09:44Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - The interventional Bayesian Gaussian equivalent score for Bayesian
causal inference with unknown soft interventions [0.0]
ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。
観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
論文 参考訳（メタデータ） (2022-05-05T12:32:08Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - 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) - Harmonization with Flow-based Causal Inference [12.739380441313022]
本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。
我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
論文 参考訳（メタデータ） (2021-06-12T19:57:35Z)
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。