論文の概要: Human-in-the-Loop Causal Discovery under Latent Confounding using Ancestral GFlowNets

• arxiv url: http://arxiv.org/abs/2309.12032v2
• Date: Fri, 01 Nov 2024 16:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 14:33:22.060270
• Title: Human-in-the-Loop Causal Discovery under Latent Confounding using Ancestral GFlowNets
• Title（参考訳）: Ancestral GFlowNets を用いた潜伏条件下でのHuman-in-the-Loop Causal Discovery
• Authors: Tiago da Silva, Eliezer Silva, António Góis, Dominik Heider, Samuel Kaski, Diego Mesquita, Adèle Ribeiro,
• Abstract要約: ほとんどの因果探索アルゴリズムは不確実性推定を提供しておらず、ユーザが結果を解釈し、推論プロセスを改善することは困難である。 ベイズ情報量規準(BIC)のようなスコア関数に基づく信念分布に比例した(因果)祖先グラフのサンプリングを提案する。 次に、変数間の関係について専門家を反復的に調査する最適な実験設計を導入し、祖先グラフに対する我々の信念の不確実性を効果的に低減する。
• 参考スコア（独自算出の注目度）: 15.95243318673688
• License:
• Abstract: Structure learning is the crux of causal inference. Notably, causal discovery (CD) algorithms are brittle when data is scarce, possibly inferring imprecise causal relations that contradict expert knowledge -- especially when considering latent confounders. To aggravate the issue, most CD methods do not provide uncertainty estimates, making it hard for users to interpret results and improve the inference process. Surprisingly, while CD is a human-centered affair, no works have focused on building methods that both 1) output uncertainty estimates that can be verified by experts and 2) interact with those experts to iteratively refine CD. To solve these issues, we start by proposing to sample (causal) ancestral graphs proportionally to a belief distribution based on a score function, such as the Bayesian information criterion (BIC), using generative flow networks. Then, we leverage the diversity in candidate graphs and introduce an optimal experimental design to iteratively probe the expert about the relations among variables, effectively reducing the uncertainty of our belief over ancestral graphs. Finally, we update our samples to incorporate human feedback via importance sampling. Importantly, our method does not require causal sufficiency (i.e., unobserved confounders may exist). Experiments with synthetic observational data show that our method can accurately sample from distributions over ancestral graphs and that we can greatly improve inference quality with human aid.
• Abstract（参考訳）: 構造学習は因果推論の要点である。 特に、データ不足時に因果発見(CD)アルゴリズムは脆弱で、専門家の知識に反する不正確な因果関係を推測する可能性がある。 問題を拡大するために、ほとんどのCDメソッドは不確実性推定を提供しておらず、ユーザが結果を解釈し、推論プロセスを改善するのが困難である。 驚いたことに、CDは人間中心の事件だが、どちらの方法にも焦点を絞った作品はない。 1)専門家が検証できる不確実性評価を出力し、 2) 専門家と対話し,CDを反復的に精製する。 これらの問題を解決するために、生成フローネットワークを用いてベイズ情報基準(BIC)のようなスコア関数に基づく信念分布に比例して(因果)祖先グラフをサンプリングすることから始める。 次に、候補グラフの多様性を活用し、変数間の関係について専門家を反復的に調査する最適な実験設計を導入し、祖先グラフに対する我々の信念の不確実性を効果的に低減する。 最後に、重要サンプリングを通じて人間のフィードバックを取り入れるためのサンプルを更新する。 重要なことは、我々の方法は因果便宜を必要としない(つまり、保存されていない共同設立者が存在するかもしれない)。 人工的な観測データを用いた実験により,祖先グラフ上の分布から精度よくサンプルを採取し,人間の援助による推論品質を大幅に向上できることが示された。

関連論文リスト

• Challenges and Considerations in the Evaluation of Bayesian Causal Discovery [49.0053848090947]
  因果発見の不確実性を表現することは、実験設計において重要な要素であり、より広く、安全で信頼性の高い因果決定のために重要である。 単一の推定因果グラフとモデルパラメータによる評価に依存する非ベイズ因果発見とは異なり、因果発見はその量の性質に起因する課題を提示する。 評価に最も適した指標についてのコンセンサスはない。
  論文  参考訳（メタデータ） (2024-06-05T12:45:23Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Do Deep Neural Networks Always Perform Better When Eating More Data? [82.6459747000664]
  Identically Independent Distribution(IID)とOut of Distribution(OOD)による実験を設計する。 IID条件下では、情報の量は各サンプルの効果度、サンプルの寄与度、クラス間の差がクラス情報の量を決定する。 OOD条件下では、試料のクロスドメイン度が寄与を決定づけ、無関係元素によるバイアス適合はクロスドメインの重要な要素である。
  論文  参考訳（メタデータ） (2022-05-30T15:40:33Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Bayesian Model Averaging for Data Driven Decision Making when Causality is Partially Known [0.0]
  我々はベイズモデル平均化(BMA)のようなアンサンブル法を用いて因果グラフの集合を推定する。 潜在的な介入の期待値とリスクを明示的に計算して意思決定を行います。
  論文  参考訳（メタデータ） (2021-05-12T01:55:45Z)
• FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders [46.31784571870808]
  いくつかの穏やかな仮定の下では、モデルがハイブリッドメソッドによって一意に識別されることを示す。 本手法は,制約ベース手法と独立ノイズベース手法の利点を生かして,共起状況と未解決状況の両方を扱う。
  論文  参考訳（メタデータ） (2021-03-26T03:12:14Z)
• MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models [14.173184309520453]
  因果推論の最先端の手法は、欠落した値を考慮していない。 欠落したデータは、適応された未確立仮説を必要とする。 欠落した値に適応した変分オートエンコーダを通じて分布を学習する潜在的共同設立者について考察する。
  論文  参考訳（メタデータ） (2020-02-25T12:58:07Z)

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。