論文の概要: Conditional Independence Testing with Heteroskedastic Data and
Applications to Causal Discovery
- arxiv url: http://arxiv.org/abs/2306.11498v1
- Date: Tue, 20 Jun 2023 12:36:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 14:25:40.498140
- Title: Conditional Independence Testing with Heteroskedastic Data and
Applications to Causal Discovery
- Title（参考訳）: Heteroskedastic Dataによる条件付き独立試験と因果発見への応用
- Authors: Wiebke G\"unther, Urmi Ninad, jonas Wahl, Jakob Runge
- Abstract要約: 条件独立テスト(CI)は、様々な科学分野のデータ分析や機械学習に頻繁に用いられる。
ヘテロスケダスト性雑音の存在下でよく機能する部分相関型CIテストの適応について述べる。
数値因果探索実験により、適応された部分相関CIテストはヘテロスケダスティック性の存在下で標準試験より優れることが示された。
- 参考スコア（独自算出の注目度）: 7.493779672689531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conditional independence (CI) testing is frequently used in data analysis and
machine learning for various scientific fields and it forms the basis of
constraint-based causal discovery. Oftentimes, CI testing relies on strong,
rather unrealistic assumptions. One of these assumptions is homoskedasticity,
in other words, a constant conditional variance is assumed. We frame
heteroskedasticity in a structural causal model framework and present an
adaptation of the partial correlation CI test that works well in the presence
of heteroskedastic noise, given that expert knowledge about the heteroskedastic
relationships is available. Further, we provide theoretical consistency results
for the proposed CI test which carry over to causal discovery under certain
assumptions. Numerical causal discovery experiments demonstrate that the
adapted partial correlation CI test outperforms the standard test in the
presence of heteroskedasticity and is on par for the homoskedastic case.
Finally, we discuss the general challenges and limits as to how expert
knowledge about heteroskedasticity can be accounted for in causal discovery.
- Abstract（参考訳）: 条件独立テスト(CI)は、様々な科学分野におけるデータ分析や機械学習に頻繁に使われ、制約に基づく因果発見の基礎を形成する。
多くの場合、CIテストは強い、むしろ非現実的な仮定に依存します。
これらの仮定の1つはホモスケダスティック性であり、言い換えれば、一定の条件分散が仮定される。
我々は,構造因果モデルフレームワークにおけるヘテロケキスティック性に着目し,ヘテロケキスティックなノイズの存在下でうまく機能する部分相関ciテストの適応を示す。
さらに,ある仮定の下で因果発見を行うCIテストの理論的整合性について検討した。
数値因果探索実験により、適応された部分相関CIテストはヘテロスケダスティック性の存在下で標準試験より優れ、ホモスケダスティック性の場合と同程度であることが示された。
最後に,因果関係の発見において,ヘテロセクチュアリティに関する専門家の知識がどのように説明できるかについて,一般的な課題と限界について論じる。
関連論文リスト
- Demystifying amortized causal discovery with transformers [21.058343547918053]
観測データからの因果発見のための教師付き学習アプローチは、しばしば競争性能を達成する。
本研究では,CSIvAについて検討する。CSIvAは,合成データのトレーニングと実データへの転送を約束するトランスフォーマーモデルである。
既存の識別可能性理論とギャップを埋め、トレーニングデータ分布の制約がテスト観測の事前を暗黙的に定義していることを示します。
論文 参考訳（メタデータ） (2024-05-27T08:17:49Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - Nonlinearity, Feedback and Uniform Consistency in Causal Structural
Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。
この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文 参考訳（メタデータ） (2023-08-15T01:23:42Z) - Self-Compatibility: Evaluating Causal Discovery without Ground Truth [28.72650348646176]
本研究では,基底真理が存在しない場合に因果発見アルゴリズムの出力をfalsificationする新しい手法を提案する。
我々の重要な洞察は、統計的学習がデータポイントのサブセット間の安定性を求める一方で、因果学習は変数のサブセット間の安定性を求めるべきであるということである。
本研究では,不整合性の検出が,仮定や誤差が有限なサンプル効果によって誤って因果関係を推定することを証明する。
論文 参考訳（メタデータ） (2023-07-18T18:59:42Z) - Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。
本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
論文 参考訳（メタデータ） (2023-05-09T09:08:39Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳（メタデータ） (2022-06-03T16:25:48Z) - Nonparametric Conditional Local Independence Testing [69.31200003384122]
条件付き局所独立は、連続的な時間プロセス間の独立関係である。
条件付き地域独立の非パラメトリックテストは行われていない。
二重機械学習に基づく非パラメトリックテストを提案する。
論文 参考訳（メタデータ） (2022-03-25T10:31:02Z) - Typing assumptions improve identification in causal discovery [123.06886784834471]
観測データからの因果発見は、正確な解を常に特定できない難しい課題である。
そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
論文 参考訳（メタデータ） (2021-07-22T14:23:08Z) - 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) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-06-09T06:56:31Z) - Fundamental Limits of Testing the Independence of Irrelevant
Alternatives in Discrete Choice [9.13127392774573]
MNL(Multinomial Logit)モデルとIIA(Independent of Irrelevant Alternatives)モデルが最も広く使われているツールである。
最低ケース誤差が低いIIAの一般的なテストは、選択問題の代替案の数で指数関数的に多くのサンプルを必要とすることを示す。
我々の下限は構造に依存しており、最適化の潜在的な原因として、特定の選択集合の集合で起こりうる違反にIIAのテストを制限すると、より悲観的でない構造に依存した下限が得られる。
論文 参考訳（メタデータ） (2020-01-20T10:15:28Z)
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。