論文の概要: Bayesian Causal Inference in Doubly Gaussian DAG-probit Models
- arxiv url: http://arxiv.org/abs/2304.05976v1
- Date: Wed, 12 Apr 2023 16:57:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 14:15:56.570627
- Title: Bayesian Causal Inference in Doubly Gaussian DAG-probit Models
- Title（参考訳）: 二重ガウスDAG-プロビットモデルにおけるベイズ因果推論
- Authors: Rasool Tahmasbi and Keyvan Tahmasbi
- Abstract要約: ガウスDAG-プロビットモデルの概念を2つの群と2つのガウスDAG-プロビットモデルで導入する。
提案手法を総合シミュレーション実験により検証し、2つの実データに適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider modeling a binary response variable together with a set of
covariates for two groups under observational data. The grouping variable can
be the confounding variable (the common cause of treatment and outcome),
gender, case/control, ethnicity, etc. Given the covariates and a binary latent
variable, the goal is to construct two directed acyclic graphs (DAGs), while
sharing some common parameters. The set of nodes, which represent the
variables, are the same for both groups but the directed edges between nodes,
which represent the causal relationships between the variables, can be
potentially different. For each group, we also estimate the effect size for
each node. We assume that each group follows a Gaussian distribution under its
DAG. Given the parent nodes, the joint distribution of DAG is conditionally
independent due to the Markov property of DAGs. We introduce the concept of
Gaussian DAG-probit model under two groups and hence doubly Gaussian DAG-probit
model. To estimate the skeleton of the DAGs and the model parameters, we took
samples from the posterior distribution of doubly Gaussian DAG-probit model via
MCMC method. We validated the proposed method using a comprehensive simulation
experiment and applied it on two real datasets. Furthermore, we validated the
results of the real data analysis using well-known experimental studies to show
the value of the proposed grouping variable in the causality domain.
- Abstract（参考訳）: 観測データに基づく2つの群に対する共変量とともにバイナリ応答変数をモデル化することを検討する。
グループ化変数は、結合変数(治療と結果の共通の原因)、性別、ケース/コントロール、民族性などである。
共変量と二項潜在変数が与えられた場合、目的は2つの有向非巡回グラフ(DAG)を構築し、共通のパラメータを共有することである。
変数を表すノードの集合は、両方のグループで同じであるが、変数間の因果関係を表すノード間の有向エッジは、潜在的に異なる可能性がある。
各グループについて、各ノードに対する効果の大きさを推定する。
各群は DAG の下でガウス分布に従うと仮定する。
親ノードが与えられた場合、DAGの結合分布はDAGのマルコフの性質により条件的に独立である。
ガウスDAG-プロビットモデルの概念を2つの群と2つのガウスDAG-プロビットモデルで導入する。
DAGの骨格とモデルパラメータを推定するために、MCMC法による2重ガウスDAG-プロビットモデルの後方分布からサンプルを採取した。
提案手法を総合シミュレーション実験を用いて検証し,2つの実データに適用した。
さらに,実データ解析の結果をよく知られた実験により検証し,因果関係領域における提案するグループ化変数の値を示した。
関連論文リスト
- Scalable Variational Causal Discovery Unconstrained by Acyclicity [6.954510776782872]
観測データから得られた因果グラフ上の後部分布を学習するために,スケーラブルなベイズ的手法を提案する。
有効な非巡回因果グラフを生成することができる新しい微分可能なDAGサンプリング手法を提案する。
連続領域上の単純な変分分布を用いて因果グラフ上の後部分布をモデル化することができる。
論文 参考訳（メタデータ） (2024-07-06T07:56:23Z) - Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。
MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。
モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
論文 参考訳（メタデータ） (2023-08-29T15:01:01Z) - A Graphical Model for Fusing Diverse Microbiome Data [2.385985842958366]
本稿では,このような数値データを共同でモデル化するフレキシブルな多項ガウス生成モデルを提案する。
本稿では、潜在変数とモデルのパラメータを推定するための、計算にスケーラブルな変動予測-最大化(EM)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-21T17:54:39Z) - On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
一般化は、見えないデータを分類するモデルの能力をキャプチャする。
不変性はデータの変換におけるモデル予測の一貫性を測定する。
データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
論文 参考訳（メタデータ） (2022-07-14T17:08:25Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳（メタデータ） (2022-04-07T17:59:19Z) - Gaussian Graphical Models as an Ensemble Method for Distributed Gaussian
Processes [8.4159776055506]
我々はガウスの専門家の予測をガウス図形モデル(GGM)により集約する新しいアプローチを提案する。
まず、予測最大化(EM)アルゴリズムを用いて、潜伏変数と観測変数の合同分布を推定する。
我々の新しい手法は他の最先端のDGP手法よりも優れている。
論文 参考訳（メタデータ） (2022-02-07T15:22:56Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳（メタデータ） (2021-12-06T03:35:21Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳（メタデータ） (2020-09-24T19:34:37Z) - Causal Structure Discovery from Distributions Arising from Mixtures of
DAGs [12.12755951035594]
それぞれのモデルが有向非巡回グラフ(DAG)で表される因果モデルから生じる分布を考察する。
これらのアルゴリズムは, 成分DAGの「ユニオン」を復元し, 成分DAG間の条件分布が異なる変数を同定可能であることを示す。
直近の応用として、各混合成分に応じてサンプルをクラスタリングするために、この因果情報の検索がどのように利用できるかを示す。
論文 参考訳（メタデータ） (2020-01-31T16:33:26Z)
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。