論文の概要: Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing

• arxiv url: http://arxiv.org/abs/2301.12930v1
• Date: Thu, 26 Jan 2023 20:48:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 14:23:28.859201
• Title: Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing
• Title（参考訳）: 位置スケール騒音モデルにおける因果効果推定--最大確率と独立性テスト
• Authors: Xiangyu Sun, Oliver Schulte
• Abstract要約: 誤特定問題を実証し,その原因と発生時期を解析する。 残留独立性テストは、可能性に基づく原因影響推論よりも、誤特定に対してはるかに堅牢であることを示す。
• 参考スコア（独自算出の注目度）: 17.407040970791126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Location-scale noise models (LSNMs) are a class of heteroscedastic structural causal models with wide applicability, closely related to affine flow models. Recent likelihood-based methods designed for LSNMs that infer cause-effect relationships achieve state-of-the-art accuracy, when their assumptions are satisfied concerning the noise distributions. However, under misspecification their accuracy deteriorates sharply, especially when the conditional variance in the anti-causal direction is smaller than that in the causal direction. In this paper, we demonstrate the misspecification problem and analyze why and when it occurs. We show that residual independence testing is much more robust to misspecification than likelihood-based cause-effect inference. Our empirical evaluation includes 580 synthetic and 99 real-world datasets.
• Abstract（参考訳）: ロケーションスケールノイズモデル (LSNMs) は、アフィンフローモデルと密接に関連し、広範囲に適用可能なヘテロ代用構造因果モデルの一種である。 雑音分布に関する仮定を満たしたlsnmのための最近の確率ベース手法は最先端の精度を実現している。 しかし,特に反因果方向の条件分散が因果方向の条件分散よりも小さい場合には,その精度は著しく低下する。 本稿では,誤特定問題を実演し,その原因と発生時期について分析する。 残留独立性テストは確率に基づく因果効果推論よりも誤特定に対してはるかに頑健であることを示す。 実験的な評価には、580の合成データセットと99の現実世界データセットが含まれています。

関連論文リスト

• Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
  学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。 我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
  論文  参考訳（メタデータ） (2023-12-15T02:26:35Z)
• Distinguishing Cause from Effect on Categorical Data: The Uniform Channel Model [0.0]
  一対の確率変数の観測による効果による原因の識別は因果発見における中核的な問題である。 分類変数を用いた原因影響問題に対処するための基準を提案する。 我々は、条件付き確率質量関数が一様チャネル(UC)に最も近い因果方向として選択する。
  論文  参考訳（メタデータ） (2023-03-14T13:54:11Z)
• On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
  位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。 症例によっては, 因果方向が同定可能であることが示唆された。 我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2022-10-13T17:18:59Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Analyzing and Improving the Optimization Landscape of Noise-Contrastive Estimation [50.85788484752612]
  ノイズコントラスト推定(NCE)は、非正規化確率モデルを学習するための統計的に一貫した手法である。 ノイズ分布の選択がNCEの性能に不可欠であることが実験的に観察されている。 本研究では,不適切な雑音分布を用いた場合,NCEの性能低下の原因を正式に指摘する。
  論文  参考訳（メタデータ） (2021-10-21T16:57:45Z)
• Causal Identification with Additive Noise Models: Quantifying the Effect of Noise [5.037636944933989]
  本研究では,異なる雑音レベルが付加雑音モデルに及ぼす影響について検討し,因果関係の方向を同定する。 加法雑音のレベルが原因雑音の1%から10000%に徐々に変化するような網羅的な範囲のモデルを用いる。 実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。
  論文  参考訳（メタデータ） (2021-10-15T13:28:33Z)
• 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)
• The Effect of Noise Level on Causal Identification with Additive Noise Models [0.0]
  本研究では,雑音レベルの違いが付加雑音モデルに及ぼす影響を考察し,因果関係の方向を同定する。 textitRegression with Subsequent Independence Test とtextitIdentification using Conditional Variances の2つの方法が選択された。 実験の結果、これらの手法はある種のノイズに対して真の因果方向を捉えることができないことが示された。
  論文  参考訳（メタデータ） (2021-08-24T11:18:41Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。