論文の概要: Toward Falsifying Causal Graphs Using a Permutation-Based Test

• arxiv url: http://arxiv.org/abs/2305.09565v1
• Date: Tue, 16 May 2023 16:02:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 14:11:20.674602
• Title: Toward Falsifying Causal Graphs Using a Permutation-Based Test
• Title（参考訳）: 置換型テストによる因果グラフの改ざん
• Authors: Elias Eulig, Atalanti A. Mastakouri, Patrick Bl\"obaum, Michaela Hardt, Dominik Janzing
• Abstract要約: 既存のメトリクスは、グラフと観測データの間に絶対的な数の不整合を提供します。 本稿では,ノード置換によるサロゲートベースラインの構築により,新しい整合性指標を提案する。 代理基底線上のものとの不整合の数を比較することにより、解釈可能な計量を導出する。
• 参考スコア（独自算出の注目度）: 10.885596886578119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the causal relationships among the variables of a system is paramount to explain and control its behaviour. Inferring the causal graph from observational data without interventions, however, requires a lot of strong assumptions that are not always realistic. Even for domain experts it can be challenging to express the causal graph. Therefore, metrics that quantitatively assess the goodness of a causal graph provide helpful checks before using it in downstream tasks. Existing metrics provide an absolute number of inconsistencies between the graph and the observed data, and without a baseline, practitioners are left to answer the hard question of how many such inconsistencies are acceptable or expected. Here, we propose a novel consistency metric by constructing a surrogate baseline through node permutations. By comparing the number of inconsistencies with those on the surrogate baseline, we derive an interpretable metric that captures whether the DAG fits significantly better than random. Evaluating on both simulated and real data sets from various domains, including biology and cloud monitoring, we demonstrate that the true DAG is not falsified by our metric, whereas the wrong graphs given by a hypothetical user are likely to be falsified.
• Abstract（参考訳）: システムの変数間の因果関係を理解することは、その振る舞いを説明し制御することが最重要である。 しかし、介入なしに観測データから因果グラフを推定するには、必ずしも現実的ではない多くの強い仮定が必要である。 ドメインの専門家であっても、因果グラフを表現することは難しい。 したがって、因果グラフの良否を定量的に評価する指標は、下流タスクでそれを使用する前に有用なチェックを提供する。 既存のメトリクスは、グラフと観測データの間に絶対的な数の不整合をもたらし、ベースラインなしでは、そのような不整合がどの程度受け入れられるか、期待されているかという難しい疑問に答える。 本稿では,ノード置換によるサロゲートベースライン構築による新しい一貫性尺度を提案する。 不整合の数をサロゲートベースラインと比較することにより、DAGがランダムに適合するかどうかを推定する解釈可能な計量を導出する。 生物学やクラウドモニタリングなど,さまざまな領域のシミュレーションデータと実データの両方を評価することで,真のDAGが我々の測定値によってファルシフィケートされない一方で,仮説上のユーザによって与えられる誤ったグラフがファルシフィケートされる可能性が示唆された。

関連論文リスト

• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• False Discovery Rate Control for Gaussian Graphical Models via Neighborhood Screening [1.7924920920347915]
  グラフ学習におけるノードワイズ変数の選択手法を導入し、選択したエッジセットの誤り発見率を自己推定レベルで確実に制御する。 個々の近傍の新たな融合法は、無向グラフ推定を出力する。
  論文  参考訳（メタデータ） (2024-01-18T13:46:41Z)
• BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
  マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。 本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。 我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
  論文  参考訳（メタデータ） (2023-07-26T02:34:13Z)
• Conformal link prediction for false discovery rate control [0.0]
  偽発見率(FDR)を制御した真のエッジの集合を同定する問題を考える。 共形推論に基づく文献からの高レベルなアイデアに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-26T13:38:49Z)
• 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)
• Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure [46.86463923605841]
  本稿では、重度バイアスのあるトレーニンググラフについて、グラフ分類調査を行う。 我々は、GNNが常に決定を下すために急激な相関関係を探索する傾向があることに気付きました。 本稿では、因果部分構造とバイアス部分構造を学習するための一般的な非絡み合いGNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:55:52Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• 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)
• Identification of Latent Variables From Graphical Model Residuals [0.0]
  本稿では,推定モデルの残差から遅延空間のプロキシを反復的に導出することにより,DAGを推定する際に潜伏空間を制御する新しい手法を提案する。 結果の予測の改善は本質的にカプセル化されており,既成モデルと比較して一定の限界を超えないことを示す。
  論文  参考訳（メタデータ） (2021-01-07T02:28:49Z)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。