論文の概要: Neuro-Causal Factor Analysis
- arxiv url: http://arxiv.org/abs/2305.19802v1
- Date: Wed, 31 May 2023 12:41:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 16:40:58.406062
- Title: Neuro-Causal Factor Analysis
- Title(参考訳): 神経因果因子の解析
- Authors: Alex Markham, Mingyu Liu, Bryon Aragam, Liam Solus
- Abstract要約: 神経因果因子分析(NCFA)の枠組みについて紹介する。
NCFAは潜伏因果発見法により因子を同定し、可変オートエンコーダ(VAE)を用いる
NCFAを実データおよび合成データセット上で評価し、データ再構成タスクにおける標準VAEと同等に動作することを示す。
- 参考スコア(独自算出の注目度): 18.176375611711396
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Factor analysis (FA) is a statistical tool for studying how observed
variables with some mutual dependences can be expressed as functions of
mutually independent unobserved factors, and it is widely applied throughout
the psychological, biological, and physical sciences. We revisit this classic
method from the comparatively new perspective given by advancements in causal
discovery and deep learning, introducing a framework for Neuro-Causal Factor
Analysis (NCFA). Our approach is fully nonparametric: it identifies factors via
latent causal discovery methods and then uses a variational autoencoder (VAE)
that is constrained to abide by the Markov factorization of the distribution
with respect to the learned graph. We evaluate NCFA on real and synthetic data
sets, finding that it performs comparably to standard VAEs on data
reconstruction tasks but with the advantages of sparser architecture, lower
model complexity, and causal interpretability. Unlike traditional FA methods,
our proposed NCFA method allows learning and reasoning about the latent factors
underlying observed data from a justifiably causal perspective, even when the
relations between factors and measurements are highly nonlinear.
- Abstract(参考訳): 因子分析(FA)は、相互依存を持つ観察された変数が相互に独立な未観測因子の関数としてどのように表現できるかを研究するための統計ツールであり、心理学、生物学、物理科学において広く適用されている。
因果的発見と深層学習の進歩が与える比較的新しい視点から,この古典的手法を再考し,神経因果的因子分析(ncfa)の枠組みを紹介する。
我々のアプローチは完全に非パラメトリックであり、潜在因果的発見法を通じて因子を識別し、学習されたグラフに対する分布のマルコフ分解によって回避される変分オートエンコーダ(vae)を使用する。
本研究では,実データ集合と合成データ集合のncfaを評価し,データ再構成タスクにおける標準vaesと同等の性能を示すが,sparserアーキテクチャの利点,モデルの複雑さの低下,因果解釈可能性などの利点を生かした。
従来のfa法とは異なり,提案手法では,因子と測定値の関係が高度に非線形である場合でも,観測データに基づく潜在要因の学習と推論が可能である。
関連論文リスト
- Revisiting Spurious Correlation in Domain Generalization [12.745076668687748]
データ生成プロセスにおける因果関係を記述するために,構造因果モデル(SCM)を構築した。
さらに、スプリアス相関に基づくメカニズムを徹底的に分析する。
そこで本研究では,OOD一般化における共起バイアスの制御について,相対性スコア重み付き推定器を導入して提案する。
論文 参考訳(メタデータ) (2024-06-17T13:22:00Z) - Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse
Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。
本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。
学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文 参考訳(メタデータ) (2024-01-10T02:38:21Z) - Interpretable factorization of clinical questionnaires to identify
latent factors of psychopathology [1.9051761801489249]
質問紙データに適した非負行列因子化法であるICQF(Interpretability constrained Question Factorization)を導入する。
ICQFは、さまざまな障害の診断情報を保存しながら、ドメインの専門家によって定義された解釈可能性を改善する。
論文 参考訳(メタデータ) (2023-12-12T22:10:38Z) - Causal Inference via Nonlinear Variable Decorrelation for Healthcare
Applications [60.26261850082012]
線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。
我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
論文 参考訳(メタデータ) (2022-09-29T17:44:14Z) - On Finite-Sample Identifiability of Contrastive Learning-Based Nonlinear
Independent Component Analysis [11.012445089716016]
この研究は GCL ベースの nICA の有限サンプル識別可能性解析を行う。
本フレームワークは, GCL損失関数の特性, 統計解析, 数値微分を加味したものである。
論文 参考訳(メタデータ) (2022-06-14T04:59:08Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳(メタデータ) (2021-07-21T14:22:14Z) - 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) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳(メタデータ) (2020-04-18T20:09:34Z)
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。