論文の概要: When does the ID algorithm fail?

• arxiv url: http://arxiv.org/abs/2307.03750v1
• Date: Fri, 7 Jul 2023 17:59:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 11:43:26.598458
• Title: When does the ID algorithm fail?
• Title（参考訳）: idアルゴリズムはいつ失敗するのか?
• Authors: Ilya Shpitser
• Abstract要約: IDアルゴリズムは、グラフィカル因果モデルにおけるp(Y | do(a))型の介入分布の同定を解く。 本稿では,IDアルゴリズムの現代的プレゼンテーションの概要と,その入力分布の同定に失敗するIDアルゴリズムのグラフィカルな特徴について紹介する。
• 参考スコア（独自算出の注目度）: 8.185725740857595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ID algorithm solves the problem of identification of interventional distributions of the form p(Y | do(a)) in graphical causal models, and has been formulated in a number of ways [12, 9, 6]. The ID algorithm is sound (outputs the correct functional of the observed data distribution whenever p(Y | do(a)) is identified in the causal model represented by the input graph), and complete (explicitly flags as a failure any input p(Y | do(a)) whenever this distribution is not identified in the causal model represented by the input graph). The reference [9] provides a result, the so called "hedge criterion" (Corollary 3), which aims to give a graphical characterization of situations when the ID algorithm fails to identify its input in terms of a structure in the input graph called the hedge. While the ID algorithm is, indeed, a sound and complete algorithm, and the hedge structure does arise whenever the input distribution is not identified, Corollary 3 presented in [9] is incorrect as stated. In this note, I outline the modern presentation of the ID algorithm, discuss a simple counterexample to Corollary 3, and provide a number of graphical characterizations of the ID algorithm failing to identify its input distribution.
• Abstract（参考訳）: idアルゴリズムは、グラフィカル因果モデルにおけるp(y | do(a))形式の介入分布の同定の問題を解決し、[12, 9, 6] で定式化されている。 idアルゴリズムは音(p(y | do(a))が入力グラフで表される因果モデルで識別されるたびに観測されたデータ分布の正しい機能を示す)であり、その分布が入力グラフで表される因果モデルで特定されない場合、その場合(例外的にフラグは任意の入力 p(y | do(a)))である。 参照[9]は、いわゆる"hedge criterion"(第3巻)と呼ばれる結果を提供する。これは、IDアルゴリズムがヘッジと呼ばれる入力グラフの構造でその入力を識別できない場合に、その状況をグラフィカルに特徴づけることを目的としている。 idアルゴリズムは、実際には健全で完全なアルゴリズムであり、入力分布が特定されないとヘッジ構造が発生するが、[9]で示されるキャロル3は、前述のように正しくない。 本稿では,IDアルゴリズムの現代的プレゼンテーションの概要を概説し,簡単な逆例をCrollary 3に紹介するとともに,その入力分布の特定に失敗したIDアルゴリズムのグラフィカルな特徴について述べる。

関連論文リスト

• Score-based Causal Representation Learning: Linear and General Transformations [31.786444957887472]
  本稿は、識別可能性と達成可能性の両方に対処する。 スコアに基づくアルゴリズムのクラスを設計し、識別性と達成性の両方を保証する。 結果は構造化された合成データと画像データの実験によって実証的に検証される。
  論文  参考訳（メタデータ） (2024-02-01T18:40:03Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• A Non-monotonic Self-terminating Language Model [62.93465126911921]
  本稿では,不完全復号アルゴリズムによる非終端列の問題に焦点をあてる。 まず、グリーディ探索、トップ$kのサンプリング、核サンプリングを含む不完全確率復号アルゴリズムを定義する。 次に,単調な終端確率の制約を緩和する非単調な自己終端言語モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-03T00:28:44Z)
• 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)
• Online Weak-form Sparse Identification of Partial Differential Equations [0.5156484100374058]
  本稿では非線形力学アルゴリズム(WSINDy)の弱形式スパース同定に基づく偏微分方程式(PDE)の同定のためのオンラインアルゴリズムを提案する。 この手法のコアは、候補PDEの弱い形状の離散化と、スパース回帰問題に対するオンライン近位勾配降下法を組み合わせたものである。
  論文  参考訳（メタデータ） (2022-03-08T10:11:09Z)
• The Proximal ID Algorithm [9.190358641395848]
  観測データから有効な因果結論を確立するための基本的な障害である。 我々は因果推論における同定に対する前者および後者のアプローチの合成を開発する。 弊社のやり方では、プロキシを体系的に利用して、保存されていない共同ファウンダーの存在を調整できる。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)
• Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
  動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか? 本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
  論文  参考訳（メタデータ） (2021-06-08T16:10:36Z)
• IID-GAN: an IID Sampling Perspective for Regularizing Mode Collapse [82.49564071049366]
  GAN(Generative Adversarial Network)はまだモード崩壊に悩まされている。 我々は、この問題を独立かつ同一に分散されたIIDサンプリング視点で分析し、規則化しようと試みる。 本稿では,実データの逆サンプルとガウス音源との近接性を高め,対象分布から生成するIIDを正規化するための新たな損失を提案する。
  論文  参考訳（メタデータ） (2021-06-01T15:20:34Z)
• A Systematic Characterization of Sampling Algorithms for Open-ended Language Generation [71.31905141672529]
  本稿では,自己回帰型言語モデルに広く採用されている祖先サンプリングアルゴリズムについて検討する。 エントロピー低減, 秩序保存, 斜面保全の3つの重要な特性を同定した。 これらの特性を満たすサンプリングアルゴリズムのセットが,既存のサンプリングアルゴリズムと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2020-09-15T17:28:42Z)
• Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
  確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。 我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。 まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2020-08-19T16:04:34Z)
• On Two Distinct Sources of Nonidentifiability in Latent Position Random Graph Models [7.941599381730857]
  2つの別個の非識別性源は、潜在位置ランダムグラフモデル(英語版)の文脈で自然に生じる。 本稿では,これら2つの非識別性,すなわち部分空間的非識別性とモデルに基づく非識別性を定義し,検討する。
  論文  参考訳（メタデータ） (2020-03-31T14:41:02Z)

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。