論文の概要: Causal models in string diagrams
- arxiv url: http://arxiv.org/abs/2304.07638v1
- Date: Sat, 15 Apr 2023 21:54:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 18:06:54.204487
- Title: Causal models in string diagrams
- Title(参考訳): 文字列図における因果モデル
- Authors: Robin Lorenz and Sean Tull
- Abstract要約: 因果モデル(英語版)の枠組みは、今日多くの科学的領域で適用されている因果推論に対する原則化されたアプローチを提供する。
本稿では,この枠組みを,圏論を用いて形式的に解釈した文字列図形言語に提示する。
因果モデルフレームワークによる因果推論は、最も自然かつ直感的に図式推論として行われることを議論し、実証する。
- 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: The framework of causal models provides a principled approach to causal
reasoning, applied today across many scientific domains. Here we present this
framework in the language of string diagrams, interpreted formally using
category theory. A class of string diagrams, called network diagrams, are in
1-to-1 correspondence with directed acyclic graphs. A causal model is given by
such a diagram with its components interpreted as stochastic maps, functions,
or general channels in a symmetric monoidal category with a 'copy-discard'
structure (cd-category), turning a model into a single mathematical object that
can be reasoned with intuitively and yet rigorously. Building on prior works by
Fong and Jacobs, Kissinger and Zanasi, as well as Fritz and Klingler, we
present diagrammatic definitions of causal models and functional causal models
in a cd-category, generalising causal Bayesian networks and structural causal
models, respectively. We formalise general interventions on a model, including
but beyond do-interventions, and present the natural notion of an open causal
model with inputs. We also give an approach to conditioning based on a
normalisation box, allowing for causal inference calculations to be done fully
diagrammatically. We define counterfactuals in this setup, and treat the
problems of the identifiability of causal effects and counterfactuals fully
diagrammatically. The benefits of such a presentation of causal models lie in
foundational questions in causal reasoning and in their clarificatory role and
pedagogical value. This work aims to be accessible to different communities,
from causal model practitioners to researchers in applied category theory, and
discusses many examples from the literature for illustration. Overall, we argue
and demonstrate that causal reasoning according to the causal model framework
is most naturally and intuitively done as diagrammatic reasoning.
- Abstract(参考訳): 因果モデルの枠組みは因果推論の原理的なアプローチを提供し、今日多くの科学領域で適用されている。
ここでは、このフレームワークを、圏論を用いて正式に解釈した文字列図形の言語で提示する。
ネットワーク図と呼ばれる弦図のクラスは、有向非巡回グラフとの1対1対応である。
因果モデルはそのような図式によって与えられ、その成分は確率写像、関数、あるいは「コピー・ディスカード」構造(cd-カテゴリ)を持つ対称モノイダル圏の一般チャネルと解釈され、モデルを直感的かつ厳密に推論できる単一の数学的対象に変換する。
Fong, Jacobs, Kissinger, Zanasi, および Fritz と Klingler による先行研究に基づいて、それぞれcd-カテゴリにおける因果モデルと機能因果モデルの図式的定義を示し、それぞれ因果ベイズネットワークと構造因果モデルを一般化する。
我々は、do-interventionsを含むモデルに対する一般的な介入を形式化し、入力を伴うオープン因果モデルの自然な概念を提示する。
また、正規化ボックスに基づく条件付けにアプローチし、因果推論の計算を完全に図式化できるようにする。
我々は,この設定で反事実を定義し,因果効果と反事実の同一性の問題を完全に図式的に扱う。
このような因果モデルの提示の利点は、因果推論の基本的な問題と、その明確化の役割と教育的価値にある。
本研究は, 因果モデル実践者から応用圏理論の研究者まで, 様々なコミュニティが利用できることを目的としており, イラストレーションのための文献から多くの例を考察している。
全体として、因果モデルフレームワークに従って因果推論が最も自然かつ直感的に図式推論として行われることを議論し、実証する。
関連論文リスト
- Diagrammatic Modelling of Causality and Causal Relations [0.0]
本稿では、因果関係の図式モデル(図形)について述べる。
我々は,この文脈において,物作り機械の概念言語(TM)をツールとして使用することを試みた。
その結果, TMによる因果関係の描写はより完全であり, 因果グラフの基礎となることが示唆された。
論文 参考訳(メタデータ) (2023-10-17T07:17:51Z) - The Generative Programs Framework [0.0]
任意の量的物理理論は、生成プログラムの形式で表すことができると論じる。
これらのグラフは「存在論的優先関係の符号化」と解釈でき、存在論的優先関係は因果関係の適切な一般化である。
論文 参考訳(メタデータ) (2023-07-21T00:57:05Z) - Axiomatization of Interventional Probability Distributions [4.02487511510606]
因果的介入は、do-calculusの規則の下で公理化される。
我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。
また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
論文 参考訳(メタデータ) (2023-05-08T06:07:42Z) - MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。
推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。
この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
論文 参考訳(メタデータ) (2022-10-22T16:01:13Z) - On The Universality of Diagrams for Causal Inference and The Causal
Reproducing Property [4.119151469153588]
本稿では、因果推論の根底にある普遍性を定義する圏論に基づく枠組みを提案する。
普遍因果推論における2つの基礎的結果を示す。
論文 参考訳(メタデータ) (2022-07-06T18:54:15Z) - Markov categories, causal theories, and the do-calculus [7.061298918159947]
我々は、有向非巡回グラフ(DAG)上の因果推論の構文を形式化する因果モデルのカテゴリー理論的扱いを与える。
この枠組みは、抽象的かつ「純粋に因果的」の観点から因果的推論において重要な概念を定義し、研究することを可能にする。
論文 参考訳(メタデータ) (2022-04-11T01:27:41Z) - 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) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳(メタデータ) (2021-07-02T05:44:56Z) - 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) - Thinking About Causation: A Causal Language with Epistemic Operators [58.720142291102135]
我々はエージェントの状態を表すことで因果モデルの概念を拡張した。
対象言語の側面には、知識を表現する演算子や、新しい情報を観察する行為が追加されます。
我々は、論理の健全かつ完全な公理化を提供し、このフレームワークと因果的チーム意味論との関係について論じる。
論文 参考訳(メタデータ) (2020-10-30T12:16:45Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳(メタデータ) (2020-08-02T11:19:36Z)
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。