論文の概要: Causal Models with Constraints
- arxiv url: http://arxiv.org/abs/2301.06845v1
- Date: Tue, 17 Jan 2023 12:43:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 14:21:22.659607
- Title: Causal Models with Constraints
- Title(参考訳): 制約付き因果モデル
- Authors: Sander Beckers, Joseph Y. Halpern, and Christopher Hitchcock
- Abstract要約: 因果モデルは、変数の集合間の因果関係の形式的表現を提供するのに非常に有用であることが証明されている。
本稿では,変数の設定に制約を加えるために因果モデルを拡張する。
この拡張の有用性を示す例を示し、制約のある因果モデルに対して、健全で完全な公理化を提供する。
- 参考スコア(独自算出の注目度): 15.513175518937283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal models have proven extremely useful in offering formal representations
of causal relationships between a set of variables. Yet in many situations,
there are non-causal relationships among variables. For example, we may want
variables $LDL$, $HDL$, and $TOT$ that represent the level of low-density
lipoprotein cholesterol, the level of lipoprotein high-density lipoprotein
cholesterol, and total cholesterol level, with the relation $LDL+HDL=TOT$. This
cannot be done in standard causal models, because we can intervene
simultaneously on all three variables. The goal of this paper is to extend
standard causal models to allow for constraints on settings of variables.
Although the extension is relatively straightforward, to make it useful we have
to define a new intervention operation that $disconnects$ a variable from a
causal equation. We give examples showing the usefulness of this extension, and
provide a sound and complete axiomatization for causal models with constraints.
- Abstract(参考訳): 因果モデルは、変数の集合間の因果関係の形式表現を提供するのに非常に有用であることが証明されている。
しかし、多くの状況では変数の間に非因果関係が存在する。
例えば、LDL$、$HDL$、$TOT$は、LDL+HDL=TOT$の関係で、低比重リポ蛋白コレステロールのレベル、高比重リポ蛋白コレステロールのレベル、および総コレステロールのレベルを表す。
これは標準因果モデルではできない。なぜなら、3つの変数すべてに同時に介入できるからである。
本研究の目的は,変数の設定に制約を加えるために標準因果モデルを拡張することである。
この拡張は比較的単純であるが、有用にするためには、$disconnects$変数を因果方程式から分離する新しい介入操作を定義する必要がある。
この拡張の有用性を示す例を示し,制約のある因果モデルに対する健全かつ完全な公理化を提供する。
関連論文リスト
- Quantifying the Sensitivity of Inverse Reinforcement Learning to
Misspecification [72.08225446179783]
逆強化学習は、エージェントの行動からエージェントの好みを推測することを目的としている。
これを行うには、$pi$が$R$とどのように関係しているかの振る舞いモデルが必要です。
我々は、IRL問題が行動モデルの不特定性にどれほど敏感であるかを分析する。
論文 参考訳(メタデータ) (2024-03-11T16:09:39Z) - Causal Representation Learning from Multiple Distributions: A General
Setting [23.739425749976082]
本稿では,複数の分布からの因果表現学習の一般的,完全に非パラメトリックな設定について述べる。
本研究は、潜在変数上のグラフの空間的制約の下で、基礎となる有向非巡回グラフのモラル化グラフを復元可能であることを示す。
場合によっては、各潜伏変数はコンポーネントワイド変換まで復元できる。
論文 参考訳(メタデータ) (2024-02-07T17:51:38Z) - Invariant Causal Prediction with Locally Linear Models [58.6243132840146]
観測データから対象変数の因果親を同定する作業を検討する。
親識別のための仮説テストに基づくLolicaPという実用的な手法を提案する。
我々は,LolicaPの統計的パワーが標本サイズにおいて指数関数的に高速に収束することを示す。
論文 参考訳(メタデータ) (2024-01-10T15:34:42Z) - Generalized Independent Noise Condition for Estimating Causal Structure
with Latent Variables [28.44175079713669]
線形非ガウス非巡回因果モデルに対する一般化独立雑音(GIN)条件を提案する。
GIN条件下でLiNGLaHの因果構造が同定可能であることを示す。
論文 参考訳(メタデータ) (2023-08-13T08:13:34Z) - Reinterpreting causal discovery as the task of predicting unobserved
joint statistics [15.088547731564782]
我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。
入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
論文 参考訳(メタデータ) (2023-05-11T15:30:54Z) - Misspecification in Inverse Reinforcement Learning [80.91536434292328]
逆強化学習(IRL)の目的は、ポリシー$pi$から報酬関数$R$を推論することである。
IRLの背後にある主要な動機の1つは、人間の行動から人間の嗜好を推測することである。
これは、それらが誤って特定され、現実世界のデータに適用された場合、不適切な推測につながる恐れが生じることを意味する。
論文 参考訳(メタデータ) (2022-12-06T18:21:47Z) - Causal Abstraction with Soft Interventions [15.143508016472184]
因果抽象化は、複数の因果モデルがどのように異なる詳細レベルで同じシステムを表現できるかを記述する理論を提供する。
我々は因果的抽象化を「ソフト」な介入に拡張し、新しい因果的接続を追加することなく変数に非定数関数を割り当てる。
論文 参考訳(メタデータ) (2022-11-22T13:42:43Z) - Weight-variant Latent Causal Models [79.79711624326299]
因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。
本研究では,潜伏因果変数の同定に焦点をあてる。
推移性は潜伏因果変数の識別性を著しく阻害することを示す。
本稿では,潜時因果変数を直接学習する構造式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) - Entropic Inequality Constraints from $e$-separation Relations in
Directed Acyclic Graphs with Hidden Variables [8.242194776558895]
情報伝達の因果経路に沿った変数の容量はエントロピーによって制限されていることを示す。
本稿では,最小媒介エントロピーと呼ばれる因果影響の尺度を提案し,平均因果効果などの従来の尺度を拡大できることを実証する。
論文 参考訳(メタデータ) (2021-07-15T02:43:33Z) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳(メタデータ) (2021-07-02T05:44:56Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳(メタデータ) (2020-11-04T10:25:13Z)
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。