論文の概要: Rank-Based Causal Discovery for Post-Nonlinear Models

• arxiv url: http://arxiv.org/abs/2302.12341v1
• Date: Thu, 23 Feb 2023 21:19:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 15:08:06.912574
• Title: Rank-Based Causal Discovery for Post-Nonlinear Models
• Title（参考訳）: 非線型モデルにおけるランクに基づく因果探索
• Authors: Grigor Keropyan, David Strieder, Mathias Drton
• Abstract要約: ポスト非線形(PNL)因果モデルは、そのような制限されたサブクラスに対して最も柔軟な選択肢の1つである。 本稿では,PNL因果探索のための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.4493299476776778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning causal relationships from empirical observations is a central task in scientific research. A common method is to employ structural causal models that postulate noisy functional relations among a set of interacting variables. To ensure unique identifiability of causal directions, researchers consider restricted subclasses of structural causal models. Post-nonlinear (PNL) causal models constitute one of the most flexible options for such restricted subclasses, containing in particular the popular additive noise models as a further subclass. However, learning PNL models is not well studied beyond the bivariate case. The existing methods learn non-linear functional relations by minimizing residual dependencies and subsequently test independence from residuals to determine causal orientations. However, these methods can be prone to overfitting and, thus, difficult to tune appropriately in practice. As an alternative, we propose a new approach for PNL causal discovery that uses rank-based methods to estimate the functional parameters. This new approach exploits natural invariances of PNL models and disentangles the estimation of the non-linear functions from the independence tests used to find causal orientations. We prove consistency of our method and validate our results in numerical experiments.
• Abstract（参考訳）: 経験的観察から因果関係を学ぶことは科学研究の中心的な課題である。 一般的な方法は、相互作用する変数の集合間のノイズの多い関数関係を仮定する構造因果モデルを採用することである。 因果方向の特異な識別性を確保するために、研究者は構造因果モデルの制限されたサブクラスを考える。 ポスト非線形(PNL)因果モデル(英語版)は、そのような制限されたサブクラスに対して最も柔軟な選択肢の1つである。 しかし、PNLモデルの学習は二変量の場合を超えては十分に研究されていない。 既存の手法では, 残差依存性を最小化し, 残差からの独立性をテストし, 因果方向を決定することで, 非線形関数関係を学習する。 しかし、これらの手法は過度に適合しやすいため、実際に適切に調整することは困難である。 代替案として, ランクに基づく手法を用いて関数パラメータを推定するpnl因果探索法を提案する。 この新しいアプローチは、PNLモデルの自然な不変性を利用して、因果方向を見つけるために使用される独立性テストから非線形関数を推定する。 本手法の一貫性を証明し,数値実験の結果を検証する。

関連論文リスト

• Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
  非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。 本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
  論文  参考訳（メタデータ） (2024-07-06T07:19:21Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Shortcuts for causal discovery of nonlinear models by score matching [32.01302470630594]
  非線形付加雑音モデルのスコア・ソータビリティ・パターンを定義し,特徴付ける。 文献において最も一般的な合成ベンチマークのスコアソート性を示す。 本研究は, 非線形因果発見手法の評価において, データの多様性の欠如が重要な限界であることを示すものである。
  論文  参考訳（メタデータ） (2023-10-22T10:09:52Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Causal network learning with non-invertible functional relationships [7.845605663563046]
  いくつかの最近の結果は、非ガウスおよび/または非線形構造方程式モデル(SEM)を用いた因果DAGの同定可能性を確立している。 本稿では,多くのデータ領域に存在する非可逆関数によって定義される非線形SEMに着目した。 線形因果関係と非線形因果関係の両方を含むDAGの構造学習において,本試験を組み込む手法を開発した。
  論文  参考訳（メタデータ） (2020-04-20T21:32:05Z)

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。