論文の概要: Partially Specified Causal Simulations

• arxiv url: http://arxiv.org/abs/2309.10514v2
• Date: Thu, 5 Oct 2023 07:59:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 21:20:03.553185
• Title: Partially Specified Causal Simulations
• Title（参考訳）: 部分特定因果シミュレーション
• Authors: A. Zamanian, L. Mareis, N. Ahmidi
• Abstract要約: 多くの因果推論文学は、過剰に制限された、または不特定な研究を設計する傾向がある。 本研究では,これらのデシラタに対応するシミュレーションフレームワークであるPARCSを導入する。 我々は、よく知られた因果発見と欠落データ分析論文のシミュレーション研究を再現し、拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation studies play a key role in the validation of causal inference methods. The simulation results are reliable only if the study is designed according to the promised operational conditions of the method-in-test. Still, many causal inference literature tend to design over-restricted or misspecified studies. In this paper, we elaborate on the problem of improper simulation design for causal methods and compile a list of desiderata for an effective simulation framework. We then introduce partially randomized causal simulation (PARCS), a simulation framework that meets those desiderata. PARCS synthesizes data based on graphical causal models and a wide range of adjustable parameters. There is a legible mapping from usual causal assumptions to the parameters, thus, users can identify and specify the subset of related parameters and randomize the remaining ones to generate a range of complying data-generating processes for their causal method. The result is a more comprehensive and inclusive empirical investigation for causal claims. Using PARCS, we reproduce and extend the simulation studies of two well-known causal discovery and missing data analysis papers to emphasize the necessity of a proper simulation design. Our results show that those papers would have improved and extended the findings, had they used PARCS for simulation. The framework is implemented as a Python package, too. By discussing the comprehensiveness and transparency of PARCS, we encourage causal inference researchers to utilize it as a standard tool for future works.
• Abstract（参考訳）: シミュレーション研究は因果推論手法の検証において重要な役割を果たす。 シミュレーションの結果は,試験の実施条件に応じて設計した場合にのみ信頼性が高い。 それでも、多くの因果推論文献は、過度に制限された、あるいは不特定の研究を設計する傾向がある。 本稿では,因果法に対する不適切なシミュレーション設計の問題点を詳述し,効果的なシミュレーションフレームワークのためのデシデラタの一覧をコンパイルする。 次に,それらのデシデラタに対応するシミュレーションフレームワークである部分ランダム因果シミュレーション(parcs)を導入する。 PARCSはグラフィカル因果モデルと幅広い調整可能なパラメータに基づいてデータを合成する。 通常の因果的仮定からパラメータへの正当なマッピングがあるので、ユーザーは関連するパラメータのサブセットを識別および指定し、残りのパラメータをランダム化することで、因果的メソッドのためのデータ生成プロセスの範囲を作成できる。 その結果は、因果的主張に対するより包括的で包括的な実証的調査となる。 PARCSを用いて、2つのよく知られた因果発見と欠落データ解析論文のシミュレーション研究を再現・拡張し、適切なシミュレーション設計の必要性を強調する。 その結果,PARCSをシミュレーションに用いた場合,これらの論文は結果を改善し,拡張したと考えられる。 フレームワークもpythonパッケージとして実装されている。 PARCSの包括性と透明性について論じることで、因果推論研究者に今後の研究の標準ツールとして活用することを奨励する。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand [9.460857822923842]
  観測データからの因果推論は、信頼できる機械学習における多くの応用において重要な役割を果たす。 任意の因果グラフを与えられた任意の介入分布からサンプリングする方法を示す。 またテキストと画像変数を含むMIMIC-CXRデータセットから高次元干渉サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-12T05:48:31Z)
• Using causal inference to avoid fallouts in data-driven parametric analysis: a case study in the architecture, engineering, and construction industry [0.7566148383213173]
  実世界の実装における意思決定プロセスは、データ駆動モデルへの依存の高まりに影響を受けています。 本研究では,データ駆動手法,経験的ドメイン知識,第一原理シミュレーションの相乗パターンについて検討した。
  論文  参考訳（メタデータ） (2023-09-11T13:54:58Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Robust Neural Posterior Estimation and Statistical Model Criticism [1.5749416770494706]
  モデラーはシミュレータを真のデータ生成プロセスの理想主義的な表現として扱わなければならない。 本研究では,シミュレーションモデルにおけるブラックボックスパラメータ推論を可能にするアルゴリズムのクラスであるNPEを再検討する。 一方,NPEを経時的に用いた場合,不特定性の存在は信頼できない推論につながることが判明した。
  論文  参考訳（メタデータ） (2022-10-12T20:06:55Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• BayesFlow can reliably detect Model Misspecification and Posterior Errors in Amortized Bayesian Inference [0.0]
  シミュレーションに基づく推論で生じるモデル誤特定のタイプを概念化し、これらの誤特定の下でベイズフローフレームワークの性能を体系的に検討する。 本稿では、潜在データ空間に確率的構造を課し、最大平均不一致(MMD)を利用して破滅的な誤特定を検知する拡張最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T13:25:27Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• A Simulation-Based Test of Identifiability for Bayesian Causal Inference [9.550238260901121]
  本稿では,シミュレーションによる粒子最適化に基づく完全自動同定テストを提案する。 我々は,SBIがグラフに基づく識別の既知結果と,グラフに基づく手法が不確定な設計に対する広範囲にわたる直観に一致していることを示す。
  論文  参考訳（メタデータ） (2021-02-23T15:42:06Z)

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。