論文の概要: Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data
- arxiv url: http://arxiv.org/abs/2212.02932v1
- Date: Tue, 6 Dec 2022 12:42:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 17:34:36.570583
- Title: Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data
- Title（参考訳）: 観測データとランダムデータを用いた構造因果モデルにおける境界反事実推論への学習
- Authors: Marco Zaffalon and Alessandro Antonucci and David Huber and Rafael
Caba\~nas
- Abstract要約: 我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
- 参考スコア（独自算出の注目度）: 64.96984404868411
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of integrating data from multiple observational and
interventional studies to eventually compute counterfactuals in structural
causal models. We derive a likelihood characterisation for the overall data
that leads us to extend a previous EM-based algorithm from the case of a single
study to that of multiple ones. The new algorithm learns to approximate the
(unidentifiability) region of model parameters from such mixed data sources. On
this basis, it delivers interval approximations to counterfactual results,
which collapse to points in the identifiable case. The algorithm is very
general, it works on semi-Markovian models with discrete variables and can
compute any counterfactual. Moreover, it automatically determines if a problem
is feasible (the parameter region being nonempty), which is a necessary step
not to yield incorrect results. Systematic numerical experiments show the
effectiveness and accuracy of the algorithm, while hinting at the benefits of
integrating heterogeneous data to get informative bounds in case of
unidentifiability.
- Abstract（参考訳）: 本稿では,複数の観察・介入研究から得られたデータを統合することで,最終的には構造因果モデルにおける反事実を計算できる問題に対処する。
私たちは、以前のemベースのアルゴリズムを単一の研究から複数の研究へと拡張する全体的なデータに対する可能性のキャラクタリゼーションを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
このベースでは、反事実的な結果に区間近似を与え、同定可能な場合の点に崩壊する。
このアルゴリズムは非常に一般的なもので、離散変数を持つ半マルコフモデルで動作し、任意の反事実を計算できる。
さらに、問題が実現可能かどうかを自動的に判断する(パラメータ領域は空でない)。
体系的な数値実験はアルゴリズムの有効性と精度を示し、不特定性のある場合には不均一なデータを統合する利点を示唆している。
関連論文リスト
- Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand [9.460857822923842]
観測データからの因果推論は、信頼できる機械学習における多くの応用において重要な役割を果たす。
任意の因果グラフを与えられた任意の介入分布からサンプリングする方法を示す。
またテキストと画像変数を含むMIMIC-CXRデータセットから高次元干渉サンプルを生成する。
論文 参考訳（メタデータ） (2024-02-12T05:48:31Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳（メタデータ） (2023-07-31T11:28:24Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳（メタデータ） (2022-08-19T00:35:03Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - 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)
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。