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

• Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing [17.407040970791126]
  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。
  論文  参考訳（メタデータ） (2023-01-26T20:48:32Z)
• 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)
• Identifiability of Sparse Causal Effects using Instrumental Variables [5.368313160283353]
  弱条件下では因果係数が識別可能であることが証明され、因果関係の親の数と同じくらい楽器の数が小さいモデルでも特定できる。 推定器として spaceIV を提案し,モデルが同定可能であれば因果効果を常に推定し,その性能をシミュレーションデータ上で評価する。
  論文  参考訳（メタデータ） (2022-03-17T15:15:52Z)
• Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
  本稿では,観測画像データから因果構造を推定する作業について考察する。 Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。 Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
  論文  参考訳（メタデータ） (2022-02-21T12:23:01Z)
• 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)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• 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)
• Inferring Causal Direction from Observational Data: A Complexity Approach [0.3553493344868413]
  離散確率変数と連続確率変数のペアにおける原因と効果を区別するためのいくつかの基準を提案する。 本研究では,幅広い因果的メカニズムとノイズの種類に基づいて生成した合成データの基準値の精度を示す。
  論文  参考訳（メタデータ） (2020-10-12T12:10:37Z)
• 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。