論文の概要: Bounding probabilities of causation through the causal marginal problem
- arxiv url: http://arxiv.org/abs/2304.02023v1
- Date: Tue, 4 Apr 2023 12:16:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 14:34:06.969790
- Title: Bounding probabilities of causation through the causal marginal problem
- Title（参考訳）: 因果縁問題による因果関係のバウンディング確率
- Authors: Numair Sani, Atalanti A. Mastakouri, Dominik Janzing
- Abstract要約: 因果関係の確率は、法律、医療、公共政策における意思決定において基本的な役割を担っている。
多くの臨床試験や公共政策評価ケースでは、異なる治療が同じ結果変数に与える影響を調べる独立したデータセットが存在する。
本稿では、このような独立したデータセットから構築されたSCM間の対実的整合性を示すことにより、因果関係の確率に対する既存の限界を著しく厳格化する方法について概説する。
- 参考スコア（独自算出の注目度）: 12.542533707005092
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilities of Causation play a fundamental role in decision making in law,
health care and public policy. Nevertheless, their point identification is
challenging, requiring strong assumptions such as monotonicity. In the absence
of such assumptions, existing work requires multiple observations of datasets
that contain the same treatment and outcome variables, in order to establish
bounds on these probabilities. However, in many clinical trials and public
policy evaluation cases, there exist independent datasets that examine the
effect of a different treatment each on the same outcome variable. Here, we
outline how to significantly tighten existing bounds on the probabilities of
causation, by imposing counterfactual consistency between SCMs constructed from
such independent datasets ('causal marginal problem'). Next, we describe a new
information theoretic approach on falsification of counterfactual
probabilities, using conditional mutual information to quantify counterfactual
influence. The latter generalises to arbitrary discrete variables and number of
treatments, and renders the causal marginal problem more interpretable. Since
the question of 'tight enough' is left to the user, we provide an additional
method of inference when the bounds are unsatisfactory: A maximum entropy based
method that defines a metric for the space of plausible SCMs and proposes the
entropy maximising SCM for inferring counterfactuals in the absence of more
information.
- Abstract（参考訳）: 因果関係の確率は、法律、医療、公共政策における意思決定において基本的な役割を果たす。
それでもそれらの点同定は困難であり、単調性のような強い仮定を必要とする。
このような仮定がなければ、既存の研究は、これらの確率の境界を確立するために、同じ処理と結果変数を含むデータセットの複数の観察を必要とする。
しかし、多くの臨床試験や公共政策評価ケースでは、異なる治療法がそれぞれ同じ結果変数に与える影響を調べる独立したデータセットが存在する。
本稿では、このような独立したデータセットから構築されたSCM間の対実的整合性(「因果的限界問題」)を付与することにより、因果関係の確率に対する既存の限界を著しく厳しくする方法を概説する。
次に,条件付き相互情報を用いて反事実的影響を定量化する新しい情報理論的手法について述べる。
後者は任意の離散変数と処理数を一般化し、因果縁問題をより解釈しやすいものにする。
利用者に「十分」という質問が残されているので、境界が不十分な場合に追加の推論方法を提供する: 可算なscmの空間の計量を定義し、より多くの情報がない場合に偽物を推測するためのエントロピー最大化scmを提案する、最大エントロピーベース手法。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Tightening Bounds on Probabilities of Causation By Merging Datasets [0.0]
因果確率(PoC)は、法律、医療、公共政策における意思決定において基本的な役割を担っている。
余分な情報を活用することでこれらの境界をさらに強化する作業は、数値的境界、固定次元の記号的境界、または同じ処理と結果変数を含む複数のデータセットへのアクセスを必要とする。
ここでは、挑戦的なシナリオのために、PoCに象徴的な境界を提供します。
論文 参考訳（メタデータ） (2023-10-12T15:19:15Z) - Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳（メタデータ） (2023-07-12T15:39:39Z) - 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) - 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) - Causal Inference Through the Structural Causal Marginal Problem [17.91174054672512]
本稿では,複数のデータセットからの情報をマージする手法を提案する。
応答関数の定式化による分類的SCMに対するこのアプローチの形式化と,それが許容される辺縁および関節SCMの空間を減少させることを示す。
論文 参考訳（メタデータ） (2022-02-02T21:45:10Z) - Obtaining Causal Information by Merging Datasets with MAXENT [12.64433334351049]
我々は,すべての変数を共同で観察することなく,因果的知識の獲得方法について論じる。
共同創設者の存在下での対象変数に対する治療の介入分布と平均因果効果の限界を導出する。
論文 参考訳（メタデータ） (2021-07-15T23:16:36Z) - 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) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-28T11:07:59Z) - 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)
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。