論文の概要: iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models

• arxiv url: http://arxiv.org/abs/2306.17361v2
• Date: Sat, 13 Jan 2024 01:44:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 21:30:16.079197
• 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: 本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
• 参考スコア（独自算出の注目度）: 48.33685559041322
• 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 underlying causal structure is often unknown, and estimating it from data remains a challenging task. In many situations, however, the end goal is to localize the changes (shifts) in the causal mechanisms between related datasets instead of learning the full causal structure of the individual datasets. Some applications include root cause analysis, analyzing gene regulatory network structure changes between healthy and cancerous individuals, or explaining distribution shifts. This paper focuses on identifying the causal mechanism shifts in two or more related datasets over the same set of variables -- 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 technical contribution of this work is to show that the Jacobian of the score function for the mixture distribution allows for the identification of shifts under 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. Code implementing the proposed method is open-source and publicly available at https://github.com/kevinsbello/iSCAN.
• 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、根底にある因果構造はしばしば不明であり、データからそれを推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、最終的なゴールは、個々のデータセットの完全な因果構造を学ぶ代わりに、関連するデータセット間の因果メカニズムにおける変化(シフト)をローカライズすることである。 いくつかの応用には、根本原因分析、健康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、分布の変化の説明などが含まれる。 本稿では,各SCMのDAG構造全体を推定することなく,同一変数集合上の2つ以上の関連するデータセットの因果メカニズムシフトを特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。 この研究の重要な技術的貢献は、混合分布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の下での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。 提案手法を実装したコードは、https://github.com/kevinsbello/iSCAN.comで公開されている。

関連論文リスト

• DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification [14.96980804513399]
  グラフニューラルネットワーク(GNN)は、分散シフトの影響を受けやすいため、クリティカルドメインの脆弱性やセキュリティ上の問題が発生する。 不変(機能、構造)-ラベルマッピングの学習を目標とする既存の方法は、データ生成プロセスに関する過度に単純化された仮定に依存することが多い。 構造因果モデル(SCM)を用いたより現実的なグラフデータ生成モデルを提案する。 本稿では,非バイアスな特徴ラベルと構造ラベルのマッピングを独立に学習する,カジュアルなデカップリングフレームワークDeCafを提案する。
  論文  参考訳（メタデータ） (2024-10-27T00:22:18Z)
• Standardizing Structural Causal Models [80.21199731817698]
  ベンチマークアルゴリズムのための内部標準構造因果モデル(iSCM)を提案する。 構成上、iSCMは$operatornameVar$-sortableではなく、実験的に示すように、$operatornameR2$-sortableではない。
  論文  参考訳（メタデータ） (2024-06-17T14:52:21Z)
• 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)
• Modeling the Data-Generating Process is Necessary for Out-of-Distribution Generalization [23.302060306322506]
  実世界のデータは、しばしば異なる属性に対して複数の分散シフトを持つ。 最先端のDGアルゴリズムは、すべてのシフトに対して一貫してうまく動作しない。 我々は、データ生成プロセスに関する知識を用いて正規化のための正しい独立制約を適応的に識別し、適用するアルゴリズムであるCausally Adaptive Constraint Minimization (CACM)を開発した。
  論文  参考訳（メタデータ） (2022-06-15T22:35:06Z)
• 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)
• 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。