論文の概要: Causal Discovery from Subsampled Time Series with Proxy Variables
- arxiv url: http://arxiv.org/abs/2305.05276v5
- Date: Sun, 24 Dec 2023 11:31:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-28 01:56:21.933158
- Title: Causal Discovery from Subsampled Time Series with Proxy Variables
- Title(参考訳): プロキシ変数を用いたサブサンプル時系列からの因果発見
- Authors: Mingzhou Liu, Xinwei Sun, Lingjing Hu, Yizhou Wang
- Abstract要約: 本稿では,サブサンプリング時系列から因果構造全体を同定する制約に基づくアルゴリズムを提案する。
我々のアルゴリズムは非パラメトリックであり、完全な因果同定を実現することができる。
- 参考スコア(独自算出の注目度): 19.699813624529813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inferring causal structures from time series data is the central interest of
many scientific inquiries. A major barrier to such inference is the problem of
subsampling, i.e., the frequency of measurement is much lower than that of
causal influence. To overcome this problem, numerous methods have been
proposed, yet either was limited to the linear case or failed to achieve
identifiability. In this paper, we propose a constraint-based algorithm that
can identify the entire causal structure from subsampled time series, without
any parametric constraint. Our observation is that the challenge of subsampling
arises mainly from hidden variables at the unobserved time steps. Meanwhile,
every hidden variable has an observed proxy, which is essentially itself at
some observable time in the future, benefiting from the temporal structure.
Based on these, we can leverage the proxies to remove the bias induced by the
hidden variables and hence achieve identifiability. Following this intuition,
we propose a proxy-based causal discovery algorithm. Our algorithm is
nonparametric and can achieve full causal identification. Theoretical
advantages are reflected in synthetic and real-world experiments.
- Abstract(参考訳): 時系列データから因果構造を推測することは、多くの科学調査の中心的な関心事である。
このような推論の大きな障壁は、サブサンプリングの問題、すなわち測定頻度が因果影響のそれよりもはるかに低いことである。
この問題を解決するために、多くの方法が提案されているが、線形ケースに制限されたり、識別可能性の達成に失敗したりする。
本稿では,パラメータ制約を伴わずに,サブサンプリング時系列から因果構造全体を同定する制約に基づくアルゴリズムを提案する。
我々の観察では、サブサンプリングの課題は、主に観測されていない時間ステップの隠れ変数から生じている。
一方、隠れた変数には観測可能なプロキシがあり、これは本質的には将来観測可能な時間であり、時間構造から恩恵を受ける。
これらに基づいて、プロキシを利用して隠れた変数によって引き起こされるバイアスを取り除き、identifiabilityを達成することができる。
この直感に従って,プロキシに基づく因果探索アルゴリズムを提案する。
我々のアルゴリズムは非パラメトリックであり、完全な因果識別を実現することができる。
理論上の利点は、合成および実世界の実験に反映される。
関連論文リスト
- A Versatile Causal Discovery Framework to Allow Causally-Related Hidden
Variables [28.51579090194802]
因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。
ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。
合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-12-18T07:57:39Z) - Discrete Nonparametric Causal Discovery Under Latent Class Confounding [2.3759432635713895]
因果発見は、有界潜在クラスの下でも識別可能であることを示す。
この問題の実現性は、グローバルな共同設立者の基数、観察された変数の基数、因果構造の疎度の間のトレードオフによって管理される。
論文 参考訳(メタデータ) (2023-11-13T16:35:34Z) - Causal Discovery and Prediction: Methods and Algorithms [0.0]
本論文では、各介入の一般的なa-priori評価について紹介する。
任意の因果モデルにおける因果関係を同定する能動学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-18T01:19:37Z) - 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 with Unobserved Variables: A Proxy Variable Approach [42.56435928287998]
本研究では,未観測変数が存在する場合の因果関係を特定するためのプロキシベースの仮説テストを提案する。
私たちのテストは一貫性があり、大規模なサンプルが入手可能な場合に理想的なパワーを持つ。
論文 参考訳(メタデータ) (2023-05-09T09:08:39Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳(メタデータ) (2022-06-03T16:25:48Z) - Nested Counterfactual Identification from Arbitrary Surrogate
Experiments [95.48089725859298]
観測と実験の任意の組み合わせからネスト反事実の同定について検討した。
具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
論文 参考訳(メタデータ) (2021-07-07T12:51:04Z) - 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) - 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) - 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) - Root Cause Detection Among Anomalous Time Series Using Temporal State
Alignment [0.0]
本稿では,時系列変動のパターンを解析することにより,異常の根本原因を抽出する手法を提案する。
この考え方は、問題が不整合であるが、基底状態の均質なシフトを引き起こすときの効果の伝播を追跡することである。
そこで我々は,Zillows クリックストリームデータにおける異常の根本原因を,観測された変動の集合の中の因果パターンを同定することにより評価した。
論文 参考訳(メタデータ) (2020-01-04T08:31:34Z)
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。