論文の概要: Front-door Adjustment Beyond Markov Equivalence with Limited Graph Knowledge

• arxiv url: http://arxiv.org/abs/2306.11008v1
• Date: Mon, 19 Jun 2023 15:16:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 17:07:20.938275
• Title: Front-door Adjustment Beyond Markov Equivalence with Limited Graph Knowledge
• Title（参考訳）: グラフ知識に制限のあるマルコフ同値を超えたフロントドア調整
• Authors: Abhin Shah, Karthikeyan Shanmugam, Murat Kocaoglu
• Abstract要約: 本報告では,正面調整を用いて因果効果を計算するための条件付き独立文について述べる。 本手法はマルコフ同値クラスが因果効果推定に十分でない場合に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 36.210656212459554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal effect estimation from data typically requires assumptions about the cause-effect relations either explicitly in the form of a causal graph structure within the Pearlian framework, or implicitly in terms of (conditional) independence statements between counterfactual variables within the potential outcomes framework. When the treatment variable and the outcome variable are confounded, front-door adjustment is an important special case where, given the graph, causal effect of the treatment on the target can be estimated using post-treatment variables. However, the exact formula for front-door adjustment depends on the structure of the graph, which is difficult to learn in practice. In this work, we provide testable conditional independence statements to compute the causal effect using front-door-like adjustment without knowing the graph under limited structural side information. We show that our method is applicable in scenarios where knowing the Markov equivalence class is not sufficient for causal effect estimation. We demonstrate the effectiveness of our method on a class of random graphs as well as real causal fairness benchmarks.
• Abstract（参考訳）: データからの因果効果の推定は通常、パールフレームワーク内の因果グラフ構造という形で明示的に、または潜在的な結果フレームワーク内の反事実変数間の(条件付き)独立ステートメントの観点から暗黙的に、因果効果関係についての仮定を必要とする。 処理変数と結果変数とが合わさった場合、前ドア調整は、グラフが与えられると、処理後変数を用いて対象に対する処理の因果効果を推定できる重要な特別なケースである。 しかし、フロントドア調整の正確な公式はグラフの構造に依存するため、実際に学ぶことは困難である。 本研究は, 限定された構造側情報の下でのグラフを知らずに, 正面調整を用いて因果効果を計算するための検証可能な条件独立文を提供する。 本手法は,マルコフ同値クラスを知ることが因果効果推定に十分でない場合に適用可能であることを示す。 本稿では,ランダムグラフのクラスと実因果的公平性ベンチマークを用いて,本手法の有効性を示す。

関連論文リスト

• Identifiability Guarantees for Causal Disentanglement from Purely Observational Data [10.482728002416348]
  因果解離は、データの背後にある潜在因果関係について学ぶことを目的としている。 近年の進歩は、(単一の)潜伏因子への介入が可能であると仮定して、識別可能性(identifiability)が確立されている。 非線形因果モデルで同定できる潜伏因子の高精度な評価法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T04:18:29Z)
• Interventional Fairness on Partially Known Causal Graphs: A Constrained Optimization Approach [44.48385991344273]
  本稿では,真の因果グラフが部分的に知られている場合の介入の概念に基づく因果フェアネスを実現するための枠組みを提案する。 提案手法は、観測データとドメイン知識を組み合わせて学習できる因果DAGのクラスを用いて、公正な予測をモデル化することを含む。 シミュレーションと実世界の両方のデータセットの結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-01-19T11:20:31Z)
• Towards Bounding Causal Effects under Markov Equivalence [13.050023008348388]
  観測データのみを用いた因果関係の導出について考察する。 等価クラスの不変性を利用する因果効果のバウンダリを導出する体系的アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-11-13T11:49:55Z)
• A continuous Structural Intervention Distance to compare Causal Graphs [5.477914707166288]
  距離は、各ノードの組込み介入分布に基づいている。 合成データに対する数値実験で検証した理論的結果を示す。
  論文  参考訳（メタデータ） (2023-07-31T07:20:26Z)
• 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)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Counterfactual Fairness with Partially Known Causal Graph [85.15766086381352]
  本稿では,真の因果グラフが不明な場合に,対実フェアネスの概念を実現するための一般的な手法を提案する。 特定の背景知識が提供されると、正の因果グラフが完全に知られているかのように、反ファクト的公正性を達成することができる。
  論文  参考訳（メタデータ） (2022-05-27T13:40:50Z)
• 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)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Estimating Causal Effects with the Neural Autoregressive Density Estimator [6.59529078336196]
  我々は、Pearlのdo-calculusフレームワーク内の因果効果を推定するために、神経自己回帰密度推定器を使用する。 本手法は,変数間の相互作用を明示的にモデル化することなく,非線形システムから因果効果を抽出できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T13:12:38Z)

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。