論文の概要: Axiomatization of Interventional Probability Distributions
- arxiv url: http://arxiv.org/abs/2305.04479v2
- Date: Tue, 14 Nov 2023 00:38:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 19:02:32.750359
- Title: Axiomatization of Interventional Probability Distributions
- Title(参考訳): 干渉確率分布の公理化
- Authors: Kayvan Sadeghi and Terry Soo
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.02487511510606
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Causal intervention is an essential tool in causal inference. It is
axiomatized under the rules of do-calculus in the case of structure causal
models. We provide simple axiomatizations for families of probability
distributions to be different types of interventional distributions. Our
axiomatizations neatly lead to a simple and clear theory of causality that has
several advantages: it does not need to make use of any modeling assumptions
such as those imposed by structural causal models; it only relies on
interventions on single variables; it includes most cases with latent variables
and causal cycles; and more importantly, it does not assume the existence of an
underlying true causal graph as we do not take it as the primitive object--in
fact, a causal graph is derived as a by-product of our theory. We show that,
under our axiomatizations, the intervened distributions are Markovian to the
defined intervened causal graphs, and an observed joint probability
distribution is Markovian to the obtained causal graph; these results are
consistent with the case of structural causal models, and as a result, the
existing theory of causal inference applies. We also show that a large class of
natural structural causal models satisfy the theory presented here. We note
that the aim of this paper is axiomatization of interventional families, which
is subtly different from "causal modeling."
- Abstract(参考訳): 因果介入は因果推論に不可欠な道具である。
構造因果モデルの場合、do-calculusの規則の下で公理化される。
確率分布の族を異なる種類の介入分布とする単純な公理化を提供する。
Our axiomatizations neatly lead to a simple and clear theory of causality that has several advantages: it does not need to make use of any modeling assumptions such as those imposed by structural causal models; it only relies on interventions on single variables; it includes most cases with latent variables and causal cycles; and more importantly, it does not assume the existence of an underlying true causal graph as we do not take it as the primitive object--in fact, a causal graph is derived as a by-product of our theory.
我々の公理化の下では、介在分布は定義された因果グラフに対するマルコフ分布であり、観測された合同確率分布は得られた因果グラフに対するマルコフ分布であり、これらの結果は構造因果モデルの場合と一致し、その結果、既存の因果推論の理論が適用される。
また, 自然構造因果モデルの大きなクラスが, この理論を満たしていることを示す。
本論文の目的は介入家族の公理化であり、「因果モデリング」とは微妙に異なる点に留意する。
関連論文リスト
- Causal modelling without counterfactuals and individualised effects [7.09435109588801]
本稿では,すべての仮定が検証可能な有限集団に対する因果推論を治療学的予測として解釈する。
この新しい枠組みは、因果関係のモデル依存性と、統計的および科学的推論の違いを強調している。
論文 参考訳(メタデータ) (2024-07-24T16:07:57Z) - Identifiable Latent Neural Causal Models [82.14087963690561]
因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。
因果表現の識別可能性に寄与する分布シフトのタイプを決定する。
本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
論文 参考訳(メタデータ) (2024-03-23T04:13:55Z) - 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 models in string diagrams [0.0]
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。
論文 参考訳(メタデータ) (2023-04-15T21:54:48Z) - Phenomenological Causality [14.817342045377842]
本稿では,基本的な概念が基本的な行動の集合である「現象因果性」の概念を提案する。
検討中のシステムが基本的な動作を制御する他の変数と相互作用する場合、それは因果マルコフ条件と一致していると論じる。
論文 参考訳(メタデータ) (2022-11-15T13:05:45Z) - 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) - 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) - Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。
我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。
理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
論文 参考訳(メタデータ) (2022-03-27T08:08:33Z) - 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) - 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)
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。