論文の概要: Generalized Independent Noise Condition for Estimating Causal Structure with Latent Variables

• arxiv url: http://arxiv.org/abs/2308.06718v2
• Date: Sun, 9 Jun 2024 16:07:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 05:19:21.075633
• Title: Generalized Independent Noise Condition for Estimating Causal Structure with Latent Variables
• Title（参考訳）: 潜時変動を考慮した因果構造推定のための一般化独立雑音条件
• Authors: Feng Xie, Biwei Huang, Zhengming Chen, Ruichu Cai, Clark Glymour, Zhi Geng, Kun Zhang,
• Abstract要約: 線形非ガウス非巡回因果モデルに対する一般化独立雑音(GIN)条件を提案する。 GIN条件に照らしてLiNGLaHの因果構造が同定可能であることを示す。
• 参考スコア（独自算出の注目度）: 28.44175079713669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the task of learning causal structure in the presence of latent variables, including locating latent variables and determining their quantity, and identifying causal relationships among both latent and observed variables. To this end, we propose a Generalized Independent Noise (GIN) condition for linear non-Gaussian acyclic causal models that incorporate latent variables, which establishes the independence between a linear combination of certain measured variables and some other measured variables. Specifically, for two observed random vectors $\bf{Y}$ and $\bf{Z}$, GIN holds if and only if $\omega^{\intercal}\mathbf{Y}$ and $\mathbf{Z}$ are independent, where $\omega$ is a non-zero parameter vector determined by the cross-covariance between $\mathbf{Y}$ and $\mathbf{Z}$. We then give necessary and sufficient graphical criteria of the GIN condition in linear non-Gaussian acyclic models. Roughly speaking, GIN implies the existence of a set $\mathcal{S}$ such that $\mathcal{S}$ is causally earlier (w.r.t. the causal ordering) than $\mathbf{Y}$, and that every active (collider-free) path between $\mathbf{Y}$ and $\mathbf{Z}$ must contain a node from $\mathcal{S}$. Interestingly, we find that the independent noise condition (i.e., if there is no confounder, causes are independent of the residual derived from regressing the effect on the causes) can be seen as a special case of GIN. With such a connection between GIN and latent causal structures, we further leverage the proposed GIN condition, together with a well-designed search procedure, to efficiently estimate Linear, Non-Gaussian Latent Hierarchical Models (LiNGLaHs), where latent confounders may also be causally related and may even follow a hierarchical structure. We show that the causal structure of a LiNGLaH is identifiable in light of GIN conditions. Experimental results show the effectiveness of the proposed method.
• Abstract（参考訳）: 本研究では,潜伏変数の配置や数量の決定,潜伏変数と観測変数の因果関係の同定など,潜伏変数の存在下での因果構造学習の課題について検討する。 そこで本研究では,潜在変数を含む線形非ガウス非巡回因果モデルに対する一般独立雑音(GIN)条件を提案する。 具体的には、2つの観測されたランダムベクトル $\bf{Y}$ と $\bf{Z}$ に対して、GIN が成り立つのは、$\omega^{\intercal}\mathbf{Y}$ と $\mathbf{Z}$ が独立であることと、$\omega$ が $\mathbf{Y}$ と $\mathbf{Z}$ の交叉共分散によって決定される非零パラメータベクトルであることである。 そして、線形非ガウス非巡回モデルにおいて、GIN条件の必要十分かつグラフィカルな基準を与える。 大まかに言えば、GIN は $\mathcal{S}$ が $\mathcal{S}$ よりも因果的に早く (w.r.t. the causal ordering) であるような集合 $\mathcal{S}$ の存在を示唆し、$\mathbf{Y}$ と $\mathbf{Z}$ の間のすべての活性(コライダーフリー)パスは $\mathcal{S}$ のノードを含まなければならない。 興味深いことに、独立したノイズ条件(すなわち、共同創設者がいなければ、原因に対する効果の後退から生じる残差から独立している)が、GINの特別な場合と見なされる。 このようなGIN構造と潜在因果構造との接続により、提案されたGIN条件をさらに活用し、よく設計された探索手順とともに、線形非ガウスラテン階層モデル(LiNGLaHs)を効率的に推定する。 GIN条件に照らしてLiNGLaHの因果構造が同定可能であることを示す。 実験の結果,提案手法の有効性が示された。

関連論文リスト

• Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
  我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。 近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。 非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
  論文  参考訳（メタデータ） (2024-10-31T15:56:50Z)
• Convergence of Unadjusted Langevin in High Dimensions: Delocalization of Bias [13.642712817536072]
  問題の次元が$d$になるにつれて、所望の誤差内で収束を保証するのに必要なイテレーションの数が増加することを示す。 私たちが取り組んだ重要な技術的課題は、収束を測定するための$W_2,ellinfty$メートル法に一段階の縮約性がないことである。
  論文  参考訳（メタデータ） (2024-08-20T01:24:54Z)
• A Unified Framework for Uniform Signal Recovery in Nonlinear Generative Compressed Sensing [68.80803866919123]
  非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。 本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。 また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
  論文  参考訳（メタデータ） (2023-09-25T17:54:19Z)
• Reinterpreting causal discovery as the task of predicting unobserved joint statistics [15.088547731564782]
  我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。 入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
  論文  参考訳（メタデータ） (2023-05-11T15:30:54Z)
• Statistical Learning under Heterogeneous Distribution Shift [71.8393170225794]
  ground-truth predictor is additive $mathbbE[mathbfz mid mathbfx,mathbfy] = f_star(mathbfx) +g_star(mathbfy)$.
  論文  参考訳（メタデータ） (2023-02-27T16:34:21Z)
• On counterfactual inference with unobserved confounding [36.18241676876348]
  独立だが不均一な単位を持つ観測的研究を前提として、各単位の反実分布を学習することが目的である。 我々は、すべての$n$サンプルをプールして、すべての$n$パラメータベクトルを共同で学習する凸目的を導入する。 対数的ソボレフ不等式を満たすためにコンパクトに支持された分布に対して十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-11-14T04:14:37Z)
• The Sample Complexity of Robust Covariance Testing [56.98280399449707]
  i. i. d. 形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。 汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。 サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
  論文  参考訳（メタデータ） (2020-12-31T18:24:41Z)
• Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs [39.24319581164022]
  潜在変数グラフを推定するための一般化独立雑音(GIN)条件を提案する。 GINは潜伏変数の探索と因果方向を含む因果構造の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2020-10-10T06:11:06Z)
• Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
  期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
  論文  参考訳（メタデータ） (2020-05-29T07:20:35Z)

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。