論文の概要: Causal Discovery with Unobserved Variables: A Proxy Variable Approach
- arxiv url: http://arxiv.org/abs/2305.05281v1
- Date: Tue, 9 May 2023 09:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 19:41:49.846816
- Title: Causal Discovery with Unobserved Variables: A Proxy Variable Approach
- Title(参考訳): 観測不能変数による因果発見:確率変数アプローチ
- Authors: Mingzhou Liu, Xinwei Sun, Yu Qiao, Yizhou Wang
- Abstract要約: 近位仮説テストは、システムが連続変数からなる場合に拡張する。
これに基づいて、連続因果関係のテストの問題を各ビンにおける個別因果関係のテストの問題に変換することができる。
- 参考スコア(独自算出の注目度): 42.56435928287998
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discovering causal relations from observational data is important. The
existence of unobserved variables (e.g. latent confounding or mediation) can
mislead the causal identification. To overcome this problem, proximal causal
discovery methods attempted to adjust for the bias via the proxy of the
unobserved variable. Particularly, hypothesis test-based methods proposed to
identify the causal edge by testing the induced violation of linearity.
However, these methods only apply to discrete data with strict level
constraints, which limits their practice in the real world. In this paper, we
fix this problem by extending the proximal hypothesis test to cases where the
system consists of continuous variables. Our strategy is to present regularity
conditions on the conditional distributions of the observed variables given the
hidden factor, such that if we discretize its observed proxy with sufficiently
fine, finite bins, the involved discretization error can be effectively
controlled. Based on this, we can convert the problem of testing continuous
causal relations to that of testing discrete causal relations in each bin,
which can be effectively solved with existing methods. These non-parametric
regularities we present are mild and can be satisfied by a wide range of
structural causal models. Using both simulated and real-world data, we show the
effectiveness of our method in recovering causal relations when unobserved
variables exist.
- Abstract(参考訳): 観測データから因果関係を発見することは重要である。
観測されていない変数(例えば潜伏結合や調停)の存在は因果同定を誤解させる可能性がある。
この問題を克服するため、近位因果発見法は観測されていない変数のプロキシを介してバイアスを調整しようとした。
特に, 線形性の帰納的違反を検証し, 因果エッジを同定する仮説テストに基づく手法を提案する。
しかし、これらの手法は厳密なレベルの制約のある離散データにのみ適用され、現実世界での実践は制限される。
本稿では,系が連続変数からなるケースに近位仮説テストを拡張することにより,この問題を解消する。
我々の戦略は、隠蔽因子が与えられた観測変数の条件分布に関する規則性条件を提示することであり、十分に微細な有限ビンで観測されたプロキシを離散化すれば、関連する離散化誤差を効果的に制御できる。
このことから, 連続因果関係テストの問題を各ビンの個別因果関係テストの問題に変換することができ, 既存の手法で効果的に解ける。
これらの非パラメトリック正則性は穏やかであり、幅広い構造的因果モデルによって満足することができる。
シミュレーションデータと実世界データの両方を用いて,観測されていない変数が存在する場合に因果関係を回復する手法の有効性を示す。
関連論文リスト
- Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2024-02-20T18:53:53Z) - 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) - 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 from Subsampled Time Series with Proxy Variables [19.699813624529813]
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。
論文 参考訳(メタデータ) (2023-05-09T08:58:02Z) - Weight-variant Latent Causal Models [79.79711624326299]
因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。
本研究では,潜伏因果変数の同定に焦点をあてる。
推移性は潜伏因果変数の識別性を著しく阻害することを示す。
本稿では,潜時因果変数を直接学習する構造式caUsAl変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2022-08-30T11:12:59Z) - 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) - Information-Theoretic Approximation to Causal Models [0.0]
有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。
X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。
本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
論文 参考訳(メタデータ) (2020-07-29T18:34:58Z)
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。