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
- 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。