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

• Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
  我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。 近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。 非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
  論文  参考訳（メタデータ） (2024-10-31T15:56:50Z)
• 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 [21.73088044465267]
  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。 因果的影響に対する適切な変化条件と、潜伏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できることが示される。 場合によっては、ほとんどの潜伏変数はコンポーネントワイド変換まで回収できる。
  論文  参考訳（メタデータ） (2024-02-07T17:51:38Z)
• 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条件に照らして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)
• Interpretability at Scale: Identifying Causal Mechanisms in Alpaca [62.65877150123775]
  本研究では、Boundless DASを用いて、命令に従う間、大規模言語モデルにおける解釈可能な因果構造を効率的に探索する。 私たちの発見は、成長し、最も広くデプロイされている言語モデルの内部構造を忠実に理解するための第一歩です。
  論文  参考訳（メタデータ） (2023-05-15T17:15:40Z)
• 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)
• 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。