論文の概要: Causal Discovery using Bayesian Model Selection
- arxiv url: http://arxiv.org/abs/2306.02931v1
- Date: Mon, 5 Jun 2023 14:51:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 14:22:05.238861
- Title: Causal Discovery using Bayesian Model Selection
- Title(参考訳): ベイズモデル選択を用いた因果発見
- Authors: Anish Dhir and Mark van der Wilk
- Abstract要約: ベイズフレームワークにおける因果仮定の使い方を示す。
これにより、現実的な仮定でモデルを特定できます。
その後、幅広いベンチマークデータセットにおいて、従来の手法よりも優れています。
- 参考スコア(独自算出の注目度): 16.584177613925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With only observational data on two variables, and without other assumptions,
it is not possible to infer which one causes the other. Much of the causal
literature has focused on guaranteeing identifiability of causal direction in
statistical models for datasets where strong assumptions hold, such as additive
noise or restrictions on parameter count. These methods are then subsequently
tested on realistic datasets, most of which violate their assumptions. Building
on previous attempts, we show how to use causal assumptions within the Bayesian
framework. This allows us to specify models with realistic assumptions, while
also encoding independent causal mechanisms, leading to an asymmetry between
the causal directions. Identifying causal direction then becomes a Bayesian
model selection problem. We analyse why Bayesian model selection works for
known identifiable cases and flexible model classes, while also providing
correctness guarantees about its behaviour. To demonstrate our approach, we
construct a Bayesian non-parametric model that can flexibly model the joint. We
then outperform previous methods on a wide range of benchmark datasets with
varying data generating assumptions showing the usefulness of our method.
- Abstract(参考訳): 2つの変数に関する観測データだけで、他の仮定がなければ、一方が他方の原因を推測することはできない。
因果文献の多くは、加算雑音やパラメータ数制限といった強い仮定が持たれるデータセットの統計モデルにおける因果方向の識別性を保証することに重点を置いている。
これらの手法はその後、現実的なデータセット上でテストされる。
これまでの試みに基づいて,ベイズフレームワークにおける因果仮定の使用方法を示す。
これにより、現実的な仮定を持つモデルを指定すると同時に、独立因果メカニズムを符号化し、因果方向の間に非対称性をもたらすことができる。
因果方向を特定することはベイズモデル選択問題となる。
ベイズモデル選択が既知の識別可能なケースやフレキシブルモデルクラスに対して機能する理由を分析し、その振る舞いに関する正当性を保証する。
提案手法を実証するため,ジョイントを柔軟にモデル化できるベイズ非パラメトリックモデルを構築した。
そして,提案手法の有用性を示すデータ生成仮定を多岐にわたるベンチマークデータセットにおいて,従来の手法を上回った。
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) - Discovering Mixtures of Structural Causal Models from Time Series Data [26.057750839209127]
基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。
このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。
本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
論文 参考訳(メタデータ) (2023-10-10T05:13:10Z) - Pseudo Label Selection is a Decision Problem [0.0]
Pseudo-Labelingは、半教師あり学習におけるシンプルで効果的なアプローチである。
擬似ラベル付きデータの選定を導く基準が必要である。
過信だが誤った予測を持つインスタンスを選択することで、オーバーフィッティングを最終モデルに伝達することができる。
論文 参考訳(メタデータ) (2023-09-25T07:48:02Z) - 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) - Learning Robust Statistics for Simulation-based Inference under Model
Misspecification [23.331522354991527]
本稿では,シミュレーションに基づく推論手法の異なるクラスにまたがって機能するモデル不特定性を扱うための,最初の一般的なアプローチを提案する。
提案手法は,モデルが適切に特定された場合の精度を保ちながら,不特定シナリオにおいて頑健な推論をもたらすことを示す。
論文 参考訳(メタデータ) (2023-05-25T09:06:26Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳(メタデータ) (2021-06-14T17:52:49Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳(メタデータ) (2020-08-02T11:19:36Z) - A Causal Direction Test for Heterogeneous Populations [10.653162005300608]
ほとんどの因果モデルでは、単一の同質な集団を仮定するが、これは多くの応用において成り立たない仮定である。
等質性仮定に違反した場合、そのような仮定に基づいて開発された因果モデルが正しい因果方向を識別できないことを示す。
我々は,$k$-means型クラスタリングアルゴリズムを用いて,一般的な因果方向検定統計量の調整を提案する。
論文 参考訳(メタデータ) (2020-06-08T18:59:14Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。