論文の概要: Towards Characterizing Domain Counterfactuals For Invertible Latent
Causal Models
- arxiv url: http://arxiv.org/abs/2306.11281v2
- Date: Tue, 14 Nov 2023 19:26:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 20:12:15.276284
- Title: Towards Characterizing Domain Counterfactuals For Invertible Latent
Causal Models
- Title(参考訳): 可逆潜在因果モデルに対する領域逆事象の特徴付けに向けて
- Authors: Zeyu Zhou, Ruqi Bai, Sean Kulinski, Murat Kocaoglu, David I. Inouye
- Abstract要約: 制約の少ない仮定でドメインの偽物推定を改善することを目的としている。
ドメイン対実的に等価なモデルを定義し、等価なモデルに必要な十分な性質を証明します。
この驚くべき結果は、最後の$k$遅延変数にのみ介入できるモデル設計が、反ファクトのモデル推定を改善することを示唆している。
- 参考スコア(独自算出の注目度): 16.96946087576007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Answering counterfactual queries has many important applications such as
knowledge discovery and explainability, but is challenging when causal
variables are unobserved and we only see a projection onto an observation
space, for instance, image pixels. One approach is to recover the latent
Structural Causal Model (SCM), but this typically needs unrealistic
assumptions, such as linearity of the causal mechanisms. Another approach is to
use na\"ive ML approximations, such as generative models, to generate
counterfactual samples; however, these lack guarantees of accuracy. In this
work, we strive to strike a balance between practicality and theoretical
guarantees by focusing on a specific type of causal query called domain
counterfactuals, which hypothesizes what a sample would have looked like if it
had been generated in a different domain (or environment). Concretely, by only
assuming invertibility, sparse domain interventions and access to observational
data from different domains, we aim to improve domain counterfactual estimation
both theoretically and practically with less restrictive assumptions. We define
domain counterfactually equivalent models and prove necessary and sufficient
properties for equivalent models that provide a tight characterization of the
domain counterfactual equivalence classes. Building upon this result, we prove
that every equivalence class contains a model where all intervened variables
are at the end when topologically sorted by the causal DAG. This surprising
result suggests that a model design that only allows intervention in the last
$k$ latent variables may improve model estimation for counterfactuals. We then
test this model design on extensive simulated and image-based experiments which
show the sparse canonical model indeed improves counterfactual estimation over
baseline non-sparse models.
- Abstract(参考訳): 反事実クエリへの応答には、知識発見や説明可能性など、多くの重要な応用があるが、因果変数が観測されない場合、観察空間、例えば画像ピクセルにのみ投影される場合、困難である。
一つのアプローチは潜在構造因果モデル(SCM)の復元であるが、通常は因果機構の線形性のような非現実的な仮定を必要とする。
別のアプローチとして、生成モデルのようなna\"ive ml近似を使って偽のサンプルを生成する方法があるが、これらは精度の保証を欠いている。
本研究では,異なる領域(あるいは環境)で生成された場合,サンプルがどのようなものであったかを仮定した,ドメイン反事実と呼ばれる特定の因果クエリに注目することで,実用性と理論的保証のバランスを取ることに努める。
具体的には, 可逆性, スパース領域干渉, 異なる領域からの観測データへのアクセスのみを仮定することで, 理論上, 実質的に制限の少ない仮定で, ドメイン反事実推定を改善することを目的とする。
ドメイン対実同値モデルを定義し、ドメイン対実同値クラスを厳密に特徴づける等価モデルに必要な十分な性質を証明した。
この結果に基づいて、すべての同値類が、因果DAGによって位相的にソートされたとき、すべての介入変数が終端にあるモデルを含むことを示す。
この驚くべき結果は、最後の$k$の潜在変数にのみ介入できるモデル設計が、偽物に対するモデル推定を改善することを示唆している。
次に、このモデル設計を広範に模擬および画像に基づく実験で検証し、スパース標準モデルがベースライン非スパースモデルよりも事実推定を改善することを示す。
関連論文リスト
- Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - On the Interventional Kullback-Leibler Divergence [11.57430292133273]
因果モデル間の構造的差異と分布的差異を定量化するために、Interventional Kullback-Leibler divergenceを導入する。
本稿では,介入対象に対する十分な条件を提案し,モデルが確実に一致または一致しない観察変数のサブセットを同定する。
論文 参考訳(メタデータ) (2023-02-10T17:03:29Z) - Demystifying Disagreement-on-the-Line in High Dimensions [34.103373453782744]
我々は高次元のランダム特徴回帰における不一致を解析するための理論的基盤を開発する。
CIFAR-10-C、Tiny ImageNet-C、Camelyon17の実験は、我々の理論と一致しており、理論的な発見の普遍性を支持する。
論文 参考訳(メタデータ) (2023-01-31T02:31:18Z) - Causal Discovery in Heterogeneous Environments Under the Sparse
Mechanism Shift Hypothesis [7.895866278697778]
機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。
実際、この仮定は環境間の分散シフトによってほとんど常に破られる。
そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
論文 参考訳(メタデータ) (2022-06-04T15:39:30Z) - Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。
我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。
理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
論文 参考訳(メタデータ) (2022-03-27T08:08:33Z) - 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) - Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文 参考訳(メタデータ) (2021-05-14T06:58:44Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - 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) - Few-shot Domain Adaptation by Causal Mechanism Transfer [107.08605582020866]
我々は,少数のラベル付き対象ドメインデータと多数のラベル付きソースドメインデータしか利用できないレグレッション問題に対して,数ショットの教師付きドメイン適応(DA)について検討する。
現在のDA法の多くは、パラメータ化された分布シフトまたは明らかな分布類似性に基づく転送仮定に基づいている。
本稿では,データ生成機構がドメイン間で不変であるメタ分散シナリオであるメカニズム転送を提案する。
論文 参考訳(メタデータ) (2020-02-10T02:16:53Z)
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。