論文の概要: On Learning Necessary and Sufficient Causal Graphs

• arxiv url: http://arxiv.org/abs/2301.12389v1
• Date: Sun, 29 Jan 2023 08:19:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 17:27:02.248105
• Title: On Learning Necessary and Sufficient Causal Graphs
• Title（参考訳）: 必要十分因果グラフの学習について
• Authors: Hengrui Cai, Yixin Wang, Michael Jordan, Rui Song
• Abstract要約: 我々は、関心の結果に対して因果関係変数のみを含む因果グラフのクラスを学ぶ。 鍵となる考え方は因果関係の確率を利用して因果グラフにおける特徴の重要性を体系的に評価することである。 スコアベースで十分な因果構造学習アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 26.02463923328093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The causal revolution has spurred interest in understanding complex relationships in various fields. Most existing methods aim to discover causal relationships among all variables in a large-scale complex graph. However, in practice, only a small number of variables in the graph are relevant for the outcomes of interest. As a result, causal estimation with the full causal graph -- especially given limited data -- could lead to many falsely discovered, spurious variables that may be highly correlated with but have no causal impact on the target outcome. In this paper, we propose to learn a class of necessary and sufficient causal graphs (NSCG) that only contains causally relevant variables for an outcome of interest, which we term causal features. The key idea is to utilize probabilities of causation to systematically evaluate the importance of features in the causal graph, allowing us to identify a subgraph that is relevant to the outcome of interest. To learn NSCG from data, we develop a score-based necessary and sufficient causal structural learning (NSCSL) algorithm, by establishing theoretical relationships between probabilities of causation and causal effects of features. Across empirical studies of simulated and real data, we show that the proposed NSCSL algorithm outperforms existing algorithms and can reveal important yeast genes for target heritable traits of interest.
• Abstract（参考訳）: 因果革命は様々な分野における複雑な関係を理解することに興味を惹いた。 既存のほとんどの手法は、大規模な複素グラフにおいて、すべての変数間の因果関係を発見することを目的としている。 しかし、実際には、関心のある結果に関係があるのはグラフ内の少数の変数のみである。 その結果、完全な因果グラフ(特に限られたデータによって)による因果推定は、高い相関性を持つが、目的とする結果に因果的影響を持たない多くの偽の素因果変数をもたらす可能性がある。 本稿では,関心のある結果に対して,因果関係変数のみを含む必要十分因果グラフ(nscg)のクラスを学習し,因果特徴(causal features)と呼ぶ。 鍵となる考え方は、因果関係の確率を利用して因果関係グラフにおける特徴の重要性を体系的に評価し、興味ある結果に関連する部分グラフを特定することである。 データからNSCGを学習するために、因果関係の確率と特徴の因果関係の理論的関係を確立することにより、必要なスコアに基づく十分な因果構造学習(NSCSL)アルゴリズムを開発した。 シミュレーションおよび実データを用いた実証研究により,提案手法が既存のアルゴリズムよりも優れており,目的とする遺伝特性に重要な酵母遺伝子を明らかにすることができることを示した。

関連論文リスト

• CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement Learning [2.7446241148152253]
  COREは、因果発見と介入計画のための強化学習に基づくアプローチである。 その結果,COREは未知のグラフに一般化し,因果構造を効率的に発見できることがわかった。 COREは最大10変数のグラフにスケールし、構造推定精度とサンプル効率において既存のアプローチより優れている。
  論文  参考訳（メタデータ） (2024-01-30T12:57:52Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
  因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。 データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。 我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-18T09:26:07Z)
• Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
  本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。 本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
  論文  参考訳（メタデータ） (2022-06-15T21:28:36Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Trying to Outrun Causality with Machine Learning: Limitations of Model Explainability Techniques for Identifying Predictive Variables [7.106986689736828]
  機械学習のアルゴリズムは、見た目ほど柔軟性がなく、データの根底にある因果構造に驚くほど敏感であることを示す。 我々は、重要な変数のデータを探索したい研究者のために、いくつかの代替のレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-02-20T17:48:54Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)

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。