論文の概要: On Identifiability of Conditional Causal Effects
- arxiv url: http://arxiv.org/abs/2306.11755v1
- Date: Mon, 19 Jun 2023 14:38:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 16:36:56.839761
- Title: On Identifiability of Conditional Causal Effects
- Title（参考訳）: 条件因果効果の識別可能性について
- Authors: Yaroslav Kivva, Jalal Etesami, Negar Kiyavash
- Abstract要約: 因果グラフと、$Q[S]:=P(S|do(Vsetminus S))$の形の観察的および/または介入的分布の集合の両方が与えられた任意の条件因果効果の識別可能性の問題に対処する。
この問題を条件付き一般化識別可能性(c-gID、略してc-gID)と呼び、C-gID問題に対するPearlの$do$-calculusの完全性を証明する。
- 参考スコア（独自算出の注目度）: 24.95216517499459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of identifiability of an arbitrary conditional causal
effect given both the causal graph and a set of any observational and/or
interventional distributions of the form $Q[S]:=P(S|do(V\setminus S))$, where
$V$ denotes the set of all observed variables and $S\subseteq V$. We call this
problem conditional generalized identifiability (c-gID in short) and prove the
completeness of Pearl's $do$-calculus for the c-gID problem by providing sound
and complete algorithm for the c-gID problem. This work revisited the c-gID
problem in Lee et al. [2020], Correa et al. [2021] by adding explicitly the
positivity assumption which is crucial for identifiability. It extends the
results of [Lee et al., 2019, Kivva et al., 2022] on general identifiability
(gID) which studied the problem for unconditional causal effects and Shpitser
and Pearl [2006b] on identifiability of conditional causal effects given merely
the observational distribution $P(\mathbf{V})$ as our algorithm generalizes the
algorithms proposed in [Kivva et al., 2022] and [Shpitser and Pearl, 2006b].
- Abstract（参考訳）: 因果グラフと任意の観察的および/または介入的分布のセットの両方が与えられた任意の条件付き因果効果の同一性の問題に対して、$q[s]:=p(s|do(v\setminus s))$, ここで$v$はすべての観測変数の集合と$s\subseteq v$を表す。
この問題を条件付き一般化識別可能性(c-gID、略してc-gID)と呼び、c-gID問題に対する音響および完全アルゴリズムを提供することで、Pearlの$do$-calculusの完全性を証明する。
この研究はLeeらによるc-gID問題を再考した。
[2020], Correa et al.
[2021] 識別可能性に不可欠な肯定的な仮定を明示的に加えることにより。
これは[lee et al., 2019, kivva et al., 2022] on general identifiability (gid) の結果を拡張し、[kivva et al., 2022] と [shpitser and pearl, 2006b] で提案されたアルゴリズムを一般化しているように、観測分布 $p(\mathbf{v})$ が与えられただけで条件付き因果効果の識別可能性について、無条件因果効果の問題と[spitser and pearl, 2006b] について研究した。
関連論文リスト
- Causal Effect Identification in a Sub-Population with Latent Variables [22.75558589075695]
s-ID問題は、同じサブ集団に関する観測データから、特定のサブ集団における因果効果を計算しようとする。
本稿では,潜伏変数の存在を許容するs-ID問題の拡張について考察する。
潜伏変数を持つs-ID問題に対する音響アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-23T13:25:41Z) - Matching the Statistical Query Lower Bound for k-sparse Parity Problems with Stochastic Gradient Descent [83.85536329832722]
勾配勾配降下(SGD)は,$d$次元ハイパーキューブ上の$k$パリティ問題を効率的に解くことができることを示す。
次に、SGDでトレーニングされたニューラルネットワークがどのようにして、小さな統計的エラーで$k$-parityの問題を解決するかを実証する。
論文 参考訳（メタデータ） (2024-04-18T17:57:53Z) - 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) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳（メタデータ） (2022-10-13T17:18:59Z) - Causal Effect Identification in Uncertain Causal Networks [30.239874638041904]
因果同定は因果推論文学の中核にある。
因果グラフの辺が不確実性を持って存在し、例えば、ドメインの専門家の信念の度合いを表す可能性があることを示す。
実世界のネットワークとランダムに生成されたグラフの両方に対して,この問題を近似する効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-09T09:44:45Z) - Revisiting the General Identifiability Problem [22.201414668050123]
我々は, [Lee et al., 2019] で最初に導入された一般識別可能性の問題を再考し, 因果推論を行った。
このような仮定がなければ、[Lee et al., 2019] における do-calculus の規則と、従って提案されたアルゴリズムは正しくないことが示される。
論文 参考訳（メタデータ） (2022-06-02T15:07:25Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳（メタデータ） (2022-02-22T21:27:31Z) - Algorithmic Causal Effect Identification with causaleffect [0.0]
本報告では, 観測データから条件付きおよび非条件付き因果クエリを計算するアルゴリズムをPythonで検証し, 実装する。
まず、確率とグラフ理論に関する基本的な背景知識を示し、因果理論の重要な結果を紹介した。
その後、2006年にShpitserとPearlが提示した識別アルゴリズムを徹底的に研究し、Pythonによる実装について説明した。
論文 参考訳（メタデータ） (2021-07-09T19:00:33Z) - From Checking to Inference: Actual Causality Computations as
Optimization Problems [79.87179017975235]
本稿では、最適化問題として二元非巡回モデルよりも、因果推論の異なる概念を定式化するための新しいアプローチを提案する。
8000ドル以上の変数を持つモデルを用いて,MaxSAT が ILP を上回り,数秒単位でチェック処理を行う場合が多い。
論文 参考訳（メタデータ） (2020-06-05T10:56:52Z) - Locally Private Hypothesis Selection [96.06118559817057]
我々は、$mathcalQ$から$p$までの総変動距離が最良の分布に匹敵する分布を出力する。
局所的な差分プライバシーの制約は、コストの急激な増加を引き起こすことを示す。
提案アルゴリズムは,従来手法のラウンド複雑性を指数関数的に改善する。
論文 参考訳（メタデータ） (2020-02-21T18:30:48Z) - Learning and Sampling of Atomic Interventions from Observations [11.522442415989818]
本研究では, 因果ベイズネットワークにおける観測サンプルを用いて, 介入が単一変数(原子介入)に与える影響を効率的に推定する問題について検討した。
我々のゴールは、非パラメトリックな設定で時間とサンプルの複雑さの両方で効率的なアルゴリズムを提供することです。
論文 参考訳（メタデータ） (2020-02-11T07:15:32Z)
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。