論文の概要: Causal Discovery with Unobserved Variables: A Proxy Variable Approach

• arxiv url: http://arxiv.org/abs/2305.05281v2
• Date: Wed, 24 May 2023 08:50:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 01:14:07.059315
• 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: 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。
• 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, such as latent confounders or mediators, can mislead the causal identification. To address this issue, proximal causal discovery methods proposed to adjust for the bias with the proxy of the unobserved variable. However, these methods presumed the data is discrete, which limits their real-world application. In this paper, we propose a proximal causal discovery method that can well handle the continuous variables. Our observation is that discretizing continuous variables can can lead to serious errors and comprise the power of the proxy. Therefore, to use proxy variables in the continuous case, the critical point is to control the discretization error. To this end, we identify mild regularity conditions on the conditional distributions, enabling us to control the discretization error to an infinitesimal level, as long as the proxy is discretized with sufficiently fine, finite bins. Based on this, we design a proxy-based hypothesis test for identifying causal relationships when unobserved variables are present. Our test is consistent, meaning it has ideal power when large samples are available. We demonstrate the effectiveness of our method using synthetic and real-world data.
• 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。 潜在的共同設立者や仲介者のような未観測変数の存在は、因果同定を誤解させる可能性がある。 この問題に対処するために、観測されていない変数のプロキシでバイアスを調整するために、近因性発見法を提案する。 しかし、これらの手法はデータの離散性を仮定し、実際の応用を制限する。 本稿では,連続変数を適切に処理できる近位因果発見法を提案する。 我々の観察では、連続変数の離散化は重大なエラーを引き起こし、プロキシのパワーを構成する可能性がある。 したがって、連続的なケースでプロキシ変数を使用する場合、重要なポイントは離散化エラーを制御することである。 この目的のために条件分布上の穏やかな正規性条件を同定し、プロキシが十分微細な有限ビンで離散化されている限り、離散化誤差を無限小レベルまで制御することができる。 これに基づいて,観測されていない変数が存在する場合の因果関係を同定するためのプロキシベースの仮説テストを設計する。 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。 本手法の有効性を合成および実世界データを用いて実証する。

関連論文リスト

• Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
  本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。 サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
  論文  参考訳（メタデータ） (2023-09-13T18:53:11Z)
• Self-Compatibility: Evaluating Causal Discovery without Ground Truth [28.72650348646176]
  本研究では,基底真理が存在しない場合に因果発見アルゴリズムの出力をfalsificationする新しい手法を提案する。 我々の重要な洞察は、統計的学習がデータポイントのサブセット間の安定性を求める一方で、因果学習は変数のサブセット間の安定性を求めるべきであるということである。 本研究では,不整合性の検出が,仮定や誤差が有限なサンプル効果によって誤って因果関係を推定することを証明する。
  論文  参考訳（メタデータ） (2023-07-18T18:59:42Z)
• 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)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的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)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• On Testability of the Front-Door Model via Verma Constraints [7.52579126252489]
  フロントドア基準は、測定されていない共同設立者にもかかわらず因果関係を識別し、計算するために用いられる。 主要な仮定 -- 結果に対する治療の効果を完全に媒介する変数の存在と、類似したコンバウンディングの問題に同時に苦しめられていない変数の存在は、しばしば許し難いものとみなされる。 補助変数を含む穏やかな条件下では, 一般等式制約により, フロントドアモデルに符号化された仮定を検証できることを示す。
  論文  参考訳（メタデータ） (2022-03-01T00:38:29Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• 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)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。