論文の概要: Structural restrictions in local causal discovery: identifying direct causes of a target variable

• arxiv url: http://arxiv.org/abs/2307.16048v1
• Date: Sat, 29 Jul 2023 18:31:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 17:55:22.233547
• Title: Structural restrictions in local causal discovery: identifying direct causes of a target variable
• Title（参考訳）: 局所因果発見における構造的制約--標的変数の直接原因を特定する
• Authors: Juraj Bodik, Val\'erie Chavez-Demoulin
• Abstract要約: 観測的関節分布から対象変数の直接的原因の集合を学習する問題を考察する。 有限個のランダムサンプルから直接原因を推定する2つの実用的なアルゴリズムを提案し,その有効性をいくつかのベンチマークデータセットで示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of learning a set of direct causes of a target variable from an observational joint distribution. Learning directed acyclic graphs (DAGs) that represent the causal structure is a fundamental problem in science. Several results are known when the full DAG is identifiable from the distribution, such as assuming a nonlinear Gaussian data-generating process. Often, we are only interested in identifying the direct causes of one target variable (local causal structure), not the full DAG. In this paper, we discuss different assumptions for the data-generating process of the target variable under which the set of direct causes is identifiable from the distribution. While doing so, we put essentially no assumptions on the variables other than the target variable. In addition to the novel identifiability results, we provide two practical algorithms for estimating the direct causes from a finite random sample and demonstrate their effectiveness on several benchmark datasets. We apply this framework to learn direct causes of the reduction in fertility rates in different countries.
• Abstract（参考訳）: 観測的関節分布から対象変数の直接原因の集合を学習する問題を考察する。 因果構造を表す有向非巡回グラフ(DAG)を学習することは科学の基本的な問題である。 完全なDAGが分布から特定できる場合、例えば非線形ガウスデータ生成過程を仮定するなど、いくつかの結果が知られている。 多くの場合、我々は完全なDAGではなく、1つのターゲット変数(局所因果構造)の直接的な原因を特定することにのみ関心を持っている。 本稿では,対象変数のデータ生成過程について,その分布から直接原因の集合を識別できるさまざまな仮定について検討する。 その間、我々は基本的にターゲット変数以外の変数に仮定をしない。 本研究では,有限個のランダムサンプルから直接原因を推定する2つの実用的なアルゴリズムを提案し,いくつかのベンチマークデータセットでの有効性を示す。 この枠組みを適用して、各国の出生率の低下の直接的な原因を学習する。

関連論文リスト

• Local Causal Structure Learning in the Presence of Latent Variables [16.88791886307876]
  本稿では,変数がターゲットの直接的な原因や効果であるかどうかを判定する原理的手法を提案する。 実世界の合成データと実世界のデータによる実験結果から,本手法の有効性と有効性について検証した。
  論文  参考訳（メタデータ） (2024-05-25T13:31:05Z)
• 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)
• Weight-variant Latent Causal Models [79.79711624326299]
  因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。 本研究では,潜伏因果変数の同定に焦点をあてる。 推移性は潜伏因果変数の識別性を著しく阻害することを示す。 本稿では,潜時因果変数を直接学習する構造式caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• 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)
• 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)
• Obtaining Causal Information by Merging Datasets with MAXENT [12.64433334351049]
  我々は,すべての変数を共同で観察することなく,因果的知識の獲得方法について論じる。 共同創設者の存在下での対象変数に対する治療の介入分布と平均因果効果の限界を導出する。
  論文  参考訳（メタデータ） (2021-07-15T23:16:36Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• 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)
• A Local Method for Identifying Causal Relations under Markov Equivalence [7.904790547594697]
  因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。 有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるか否かを局所的に特定する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T05:01:44Z)
• 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)
• Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders [6.1221613913018675]
  本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。 RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
  論文  参考訳（メタデータ） (2020-01-13T12:55:47Z)

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。