Fugu-MT 論文翻訳(概要): Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning

論文の概要: Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning

arxiv url: http://arxiv.org/abs/2303.12703v1
Date: Wed, 22 Mar 2023 16:45:54 GMT
ステータス: 処理完了
システム内更新日: 2023-03-23 13:41:08.584974
Title: Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning
Title（参考訳）: ニューラルADMG学習による潜在共同ファウンダーの存在の因果推論
Authors: Matthew Ashman, Chao Ma, Agrin Hilmkil, Joel Jennings, Cheng Zhang
Abstract要約: 潜伏境界は、観測データから因果推論を行うための長年の障害である。本稿では,ADMG学習のための自己回帰フローに基づく新しい神経因果モデルを提案する。
参考スコア（独自算出の注目度）: 8.649109147825985
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Latent confounding has been a long-standing obstacle for causal reasoning from observational data. One popular approach is to model the data using acyclic directed mixed graphs (ADMGs), which describe ancestral relations between variables using directed and bidirected edges. However, existing methods using ADMGs are based on either linear functional assumptions or a discrete search that is complicated to use and lacks computational tractability for large datasets. In this work, we further extend the existing body of work and develop a novel gradient-based approach to learning an ADMG with non-linear functional relations from observational data. We first show that the presence of latent confounding is identifiable under the assumptions of bow-free ADMGs with non-linear additive noise models. With this insight, we propose a novel neural causal model based on autoregressive flows for ADMG learning. This not only enables us to determine complex causal structural relationships behind the data in the presence of latent confounding, but also estimate their functional relationships (hence treatment effects) simultaneously. We further validate our approach via experiments on both synthetic and real-world datasets, and demonstrate the competitive performance against relevant baselines.
Abstract（参考訳）: 潜在結合は、観測データからの因果推論において長年の障害となっている。一般的なアプローチのひとつとして、非循環有向混合グラフ(admgs)を使ってデータをモデル化する方法がある。しかし、ADMGを用いた既存の手法は、線形機能仮定か、複雑な離散探索のいずれかに基づいており、大規模データセットの計算的トラクタビリティに欠ける。本研究では,既存の作業体系をさらに拡張し,観測データから非線形関数関係を持つADMGを学習するための新たな勾配に基づくアプローチを開発する。まず,非線型付加雑音モデルを用いた無弓形ADMGの仮定により,潜伏音の存在が同定可能であることを示す。本稿では,ADMG学習のための自己回帰フローに基づく新しい神経因果モデルを提案する。これにより,潜在結合の存在下でデータの背後にある複雑な因果関係を決定できるだけでなく,その機能的関係(hence treatment effects)を同時に推定することができる。さらに,本手法を合成データと実世界データの両方で検証し,関連するベースラインとの競合性能を実証する。

関連論文リスト

Graph-based Unsupervised Disentangled Representation Learning via Multimodal Large Language Models [42.17166746027585]
複素データ内の因子化属性とその相互関係を学習するための双方向重み付きグラフベースフレームワークを提案する。具体的には、グラフの初期ノードとして要素を抽出する$beta$-VAEベースのモジュールを提案する。これらの相補的加群を統合することで、我々は細粒度、実用性、教師なしの絡み合いをうまく達成できる。
論文参考訳（メタデータ） (2024-07-26T15:32:21Z)
PerturbScore: Connecting Discrete and Continuous Perturbations in NLP [64.28423650146877]
本稿では,離散摂動と連続摂動を結びつけることを目的とする。回帰タスクをPerturbScoreとして設計し,相関関係を自動的に学習する。離散摂動と連続摂動の接続を構築でき、提案したPerturbScoreを使ってそのような相関関係を学習できる。
論文参考訳（メタデータ） (2023-10-13T06:50:15Z)
Spurious Correlations and Where to Find Them [17.1264393170134]
モデルがデータから信頼できない特徴を学習すると、余計な相関が生じる。突発的相関の発生の背後にある、よく研究されている仮説のいくつかを収集する。因果グラフから生成された合成データセットを用いた標準ERMベースラインへの影響について検討する。
論文参考訳（メタデータ） (2023-08-21T21:06:36Z)
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)
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)
Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
論文参考訳（メタデータ） (2022-05-26T21:30:22Z)
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)
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)
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)
Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。私たちのフレームワークは、サンプル間の関係をよく保存します。サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文参考訳（メタデータ） (2020-07-11T10:57:45Z)
Causal Modeling with Stochastic Confounders [11.881081802491183]
この作業は、共同設立者との因果推論を拡張します。本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
論文参考訳（メタデータ） (2020-04-24T00:34:44Z)

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。