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

• arxiv url: http://arxiv.org/abs/2307.16048v2
• Date: Mon, 29 Jul 2024 15:05:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 00:56:53.617795
• 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, Valérie Chavez-Demoulin,
• Abstract要約: 観測的関節分布から対象変数の直接的な原因の集合を学ぶことは、科学の基本的な問題である。 ここでは、完全なDAGではなく、1つのターゲット変数の直接的な原因を特定することにのみ関心があります。 これにより、識別可能性の仮定を緩和し、より高速で堅牢なアルゴリズムを開発することができる。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• 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. Here, we are only interested in identifying the direct causes of one target variable (local causal structure), not the full DAG. This allows us to relax the identifiability assumptions and develop possibly faster and more robust algorithms. In contrast to the Invariance Causal Prediction framework, we only assume that we observe one environment without any interventions. 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 and real datasets.
• 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。 ここでは,DAG全体ではなく,1つの目的変数(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がある。 これにより、識別可能性の仮定を緩和し、より高速で堅牢なアルゴリズムを開発することができる。 Invariance Causal Predictionフレームワークとは対照的に、我々は介入なしに1つの環境を観察するだけだと仮定する。 直接原因の集合が分布から特定可能な対象変数のデータ生成過程の異なる仮定について論じる。 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。 そこで本研究では, 有限ランダムサンプルから直接原因を推定し, いくつかのベンチマークおよび実データに対して有効性を示すための2つの実用的なアルゴリズムを提案する。

関連論文リスト

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
  我々は,線形非ガウス構造方程式モデルについて考察する。 この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
  論文  参考訳（メタデータ） (2024-08-09T07:24:12Z)
• 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)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• 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)
• 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)
• Inferring Causal Direction from Observational Data: A Complexity Approach [0.3553493344868413]
  離散確率変数と連続確率変数のペアにおける原因と効果を区別するためのいくつかの基準を提案する。 本研究では,幅広い因果的メカニズムとノイズの種類に基づいて生成した合成データの基準値の精度を示す。
  論文  参考訳（メタデータ） (2020-10-12T12:10:37Z)
• Information-Theoretic Approximation to Causal Models [0.0]
  有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。 X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。 本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-29T18:34:58Z)

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。