論文の概要: iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive
Noise Models
- arxiv url: http://arxiv.org/abs/2306.17361v1
- Date: Fri, 30 Jun 2023 01:48:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 13:41:53.168044
- Title: iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive
Noise Models
- Title(参考訳): iSCAN:非線形付加雑音モデルにおける因果メカニズムのシフト
- Authors: Tianyu Chen, Kevin Bello, Bryon Aragam, Pradeep Ravikumar
- Abstract要約: 我々は、$textitmixture distribution$のスコア関数のヤコビアンが、一般的な非パラメトリック関数機構におけるシフトの同定を可能にすることを示した。
シフト変数に対する構造的差異を推定するために、最近の研究を活用している。
- 参考スコア(独自算出の注目度): 44.00419885521216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural causal models (SCMs) are widely used in various disciplines to
represent causal relationships among variables in complex systems.
Unfortunately, the true underlying directed acyclic graph (DAG) structure is
often unknown, and determining it from observational or interventional data
remains a challenging task. However, in many situations, the end goal is to
identify changes (shifts) in causal mechanisms between related SCMs rather than
recovering the entire underlying DAG structure. Examples include analyzing gene
regulatory network structure changes between healthy and cancerous individuals
or understanding variations in biological pathways under different cellular
contexts. This paper focuses on identifying $\textit{functional}$ mechanism
shifts in two or more related SCMs over the same set of variables --
$\textit{without estimating the entire DAG structure of each SCM}$. Prior work
under this setting assumed linear models with Gaussian noises; instead, in this
work we assume that each SCM belongs to the more general class of nonlinear
additive noise models (ANMs). A key contribution of this work is to show that
the Jacobian of the score function for the $\textit{mixture distribution}$
allows for identification of shifts in general non-parametric functional
mechanisms. Once the shifted variables are identified, we leverage recent work
to estimate the structural differences, if any, for the shifted variables.
Experiments on synthetic and real-world data are provided to showcase the
applicability of this approach.
- Abstract(参考訳): 構造因果モデル(scms)は複雑なシステムにおける変数間の因果関係を表現するために様々な分野において広く使われている。
残念ながら、真の基礎となる有向非循環グラフ(dag)構造はしばしば不明であり、観測データや介入データからそれを決定することは難しい課題である。
しかし、多くの状況において、最終目標は、基礎となるDAG構造全体を回復するのではなく、関連するSCM間の因果メカニズムの変化(シフト)を特定することである。
例えば、健康な個体とがんの個体間の遺伝子制御ネットワーク構造の変化の分析や、異なる細胞環境下での生物学的経路の理解のバリエーションなどである。
本稿では,同一変数の集合上での2つ以上の関連SCMの機構シフトを$\textit{functional}$で同定することに焦点を当てる。
この設定の下での先行研究は、ガウスノイズを持つ線形モデルを仮定し、代わりに、この研究では、各scmはより一般的な非線形付加ノイズモデル (anms) に属すると仮定する。
この研究の重要な貢献は、$\textit{mixture distribution}$に対するスコア関数のヤコビアンが、一般的な非パラメトリック関数機構におけるシフトの同定を可能にすることを示すことである。
シフト変数が特定されると、シフト変数の構造的差異を見積もるために、最近の研究を活用しています。
このアプローチの適用性を示すために,合成データと実世界のデータの実験を行った。
関連論文リスト
- A Self-Organizing Clustering System for Unsupervised Distribution Shift Detection [1.0436203990235575]
本稿では,分布変化のモニタリングと検出のための連続学習フレームワークを提案する。
特に,2つのトポロジ保存マップ(自己組織化マップ)とスケール不変マップ(スケール不変マップ)の投影について検討する。
本手法は教師なしコンテキストと教師なしコンテキストの両方に適用できる。
論文 参考訳(メタデータ) (2024-04-25T14:48:29Z) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳(メタデータ) (2023-06-08T09:40:28Z) - Learning Latent Structural Causal Models [31.686049664958457]
機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。
本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
論文 参考訳(メタデータ) (2022-10-24T20:09:44Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - 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) - 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) - Causal Inference Through the Structural Causal Marginal Problem [17.91174054672512]
本稿では,複数のデータセットからの情報をマージする手法を提案する。
応答関数の定式化による分類的SCMに対するこのアプローチの形式化と,それが許容される辺縁および関節SCMの空間を減少させることを示す。
論文 参考訳(メタデータ) (2022-02-02T21:45:10Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳(メタデータ) (2022-01-28T09:30:32Z) - Causal Discovery in Linear Structural Causal Models with Deterministic
Relations [27.06618125828978]
我々は因果発見の課題と観察データに焦点をあてる。
因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
論文 参考訳(メタデータ) (2021-10-30T21:32:42Z) - 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)
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。