論文の概要: Distinguishing Cause from Effect on Categorical Data: The Uniform
Channel Model
- arxiv url: http://arxiv.org/abs/2303.08572v1
- Date: Tue, 14 Mar 2023 13:54:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 13:49:51.374259
- Title: Distinguishing Cause from Effect on Categorical Data: The Uniform
Channel Model
- Title(参考訳): カテゴリーデータへの影響と原因の区別:一様チャネルモデル
- Authors: M\'ario A. T. Figueiredo and Catarina A. Oliveira
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distinguishing cause from effect using observations of a pair of random
variables is a core problem in causal discovery. Most approaches proposed for
this task, namely additive noise models (ANM), are only adequate for
quantitative data. We propose a criterion to address the cause-effect problem
with categorical variables (living in sets with no meaningful order), inspired
by seeing a conditional probability mass function (pmf) as a discrete
memoryless channel. We select as the most likely causal direction the one in
which the conditional pmf is closer to a uniform channel (UC). The rationale is
that, in a UC, as in an ANM, the conditional entropy (of the effect given the
cause) is independent of the cause distribution, in agreement with the
principle of independence of cause and mechanism. Our approach, which we call
the uniform channel model (UCM), thus extends the ANM rationale to categorical
variables. To assess how close a conditional pmf (estimated from data) is to a
UC, we use statistical testing, supported by a closed-form estimate of a UC
channel. On the theoretical front, we prove identifiability of the UCM and show
its equivalence with a structural causal model with a low-cardinality exogenous
variable. Finally, the proposed method compares favorably with recent
state-of-the-art alternatives in experiments on synthetic, benchmark, and real
data.
- Abstract(参考訳): 一対の確率変数の観測による効果の排除は因果発見における中核的な問題である。
このタスクのために提案されるほとんどのアプローチ、すなわち加法雑音モデル(ANM)は、量的データにのみ適している。
本研究では,条件付き確率質量関数 (pmf) を離散的メモリレスチャネルとして見ることにより,カテゴリー変数 (無意味な順序の集合で生活する) による因果効果問題に対処するための基準を提案する。
条件付きpmfが一様チャネル(uc)に近い方向を最も可能性の高い因果方向として選択する。
理論的には、uc において anm と同様に、条件付きエントロピー(原因が与える効果)は原因分布とは独立であり、原因とメカニズムの独立性の原理と一致している。
統一チャネルモデル(UCM)と呼ばれる我々のアプローチは、ANM論理をカテゴリー変数に拡張する。
条件pmf(データから推定される)がUCにどの程度近いかを評価するために,UCチャネルのクローズドフォーム推定によって支持される統計検査を用いる。
理論的には, ucmの同一性が証明され, 低カーディナリティ外因性変数を持つ構造因果モデルと等価性を示す。
最後に, 提案手法は, 合成, ベンチマーク, 実データ実験における最近の最先端の代替手法と比較した。
関連論文リスト
- Detection of Unobserved Common Causes based on NML Code in Discrete,
Mixed, and Continuous Variables [1.5039745292757667]
2つの確率変数間の因果関係を次の4つのカテゴリに分類する。
我々は,CLOUDが,合成データと実世界のデータの両方に関する広範な実験により因果関係を推定する既存手法よりも有効であることを示す。
論文 参考訳(メタデータ) (2024-03-11T08:11:52Z) - Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2024-02-20T18:53:53Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - 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) - Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。
本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
論文 参考訳(メタデータ) (2023-05-09T09:08:39Z) - Cause-Effect Inference in Location-Scale Noise Models: Maximum
Likelihood vs. Independence Testing [19.23479356810746]
因果発見の根本的な問題は因果推論であり、2つの確率変数間の正しい因果方向を学習する。
最近導入されたヘテロセダスティックな位置スケールノイズ汎関数モデル(LSNM)は、表現力と識別可能性の保証を組み合わせたものである。
雑音分布が正しく特定された場合,LSNMモデル選択が最先端の精度を実現することを示す。
論文 参考訳(メタデータ) (2023-01-26T20:48:32Z) - 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 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) - Information-Theoretic Approximation to Causal Models [0.0]
有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。
X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。
本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
論文 参考訳(メタデータ) (2020-07-29T18:34:58Z) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳(メタデータ) (2020-05-18T23:48:56Z)
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。