論文の概要: Linear Causal Disentanglement via Interventions
- arxiv url: http://arxiv.org/abs/2211.16467v3
- Date: Sun, 11 Jun 2023 21:35:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 02:00:17.077008
- Title: Linear Causal Disentanglement via Interventions
- Title(参考訳): 介入による線形因果連接
- Authors: Chandler Squires, Anna Seigal, Salil Bhate, Caroline Uhler
- Abstract要約: 因果解離は因果モデルを通して相互に関連する潜伏変数を含むデータの表現を求める。
線形潜在因果モデルの線形変換である観測変数について検討した。
- 参考スコア(独自算出の注目度): 8.444187296409051
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal disentanglement seeks a representation of data involving latent
variables that relate to one another via a causal model. A representation is
identifiable if both the latent model and the transformation from latent to
observed variables are unique. In this paper, we study observed variables that
are a linear transformation of a linear latent causal model. Data from
interventions are necessary for identifiability: if one latent variable is
missing an intervention, we show that there exist distinct models that cannot
be distinguished. Conversely, we show that a single intervention on each latent
variable is sufficient for identifiability. Our proof uses a generalization of
the RQ decomposition of a matrix that replaces the usual orthogonal and upper
triangular conditions with analogues depending on a partial order on the rows
of the matrix, with partial order determined by a latent causal model. We
corroborate our theoretical results with a method for causal disentanglement
that accurately recovers a latent causal model.
- Abstract(参考訳): 因果解離は因果モデルを通して相互に関連する潜伏変数を含むデータの表現を求める。
表現は、潜在モデルと潜在変数から観測変数への変換が一意であるときに識別できる。
本稿では,線形潜在因果モデルの線形変換である観測変数について検討する。
1つの潜在変数が介入を欠いている場合、識別できない異なるモデルが存在することを示す。
逆に,各潜在変数に対する単一の介入は識別性に十分であることを示す。
我々の証明は行列のRQ分解の一般化を用いて、通常の直交条件と上三角条件を行列の行上の部分順序に依存するアナログに置き換え、潜在因果モデルにより部分順序を決定する。
我々は,潜伏因果モデルを正確に復元する因果解離法を用いて理論的結果を相関づける。
関連論文リスト
- Linear causal disentanglement via higher-order cumulants [0.0]
複数の文脈におけるデータへのアクセスを前提として,線形因果不整合の識別可能性について検討した。
各潜伏変数に対する1つの完全な介入が十分であり、完全な介入の下でパラメータを復元するのに必要となる最悪の場合を示す。
論文 参考訳(メタデータ) (2024-07-05T15:53:16Z) - Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。
我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。
同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
論文 参考訳(メタデータ) (2024-05-31T14:39:14Z) - 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) - Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳(メタデータ) (2023-07-12T15:39:39Z) - 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) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳(メタデータ) (2023-01-19T18:39:48Z) - Causal Discovery in Linear Latent Variable Models Subject to Measurement
Error [29.78435955758185]
線形系における測定誤差の存在下での因果発見に着目した。
我々は、この問題と因果発見の驚くべき関連性を、観察されていない親性原因の存在で示している。
論文 参考訳(メタデータ) (2022-11-08T03:43:14Z) - Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。
いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。
本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2022-08-30T11:12:59Z) - 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)
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。