論文の概要: Causal Inference with Conditional Front-Door Adjustment and Identifiable Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2310.01937v1
• Date: Tue, 3 Oct 2023 10:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 14:48:58.132799
• Title: Causal Inference with Conditional Front-Door Adjustment and Identifiable Variational Autoencoder
• Title（参考訳）: 条件付きフロントドア調整と変分オートエンコーダによる因果推論
• Authors: Ziqi Xu, Debo Cheng, Jiuyong Li, Jixue Liu, Lin Liu, Kui Yu
• Abstract要約: フロントドア調整は、観測されていない共役変数を扱うための実践的なアプローチである。 我々はCFD調整の因果効果の識別性を保証する定理を開発する。 データから直接CFD調整変数の表現を学習するためにCFDiVAEを提案する。
• 参考スコア（独自算出の注目度）: 28.94606676886985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An essential and challenging problem in causal inference is causal effect estimation from observational data. The problem becomes more difficult with the presence of unobserved confounding variables. The front-door adjustment is a practical approach for dealing with unobserved confounding variables. However, the restriction for the standard front-door adjustment is difficult to satisfy in practice. In this paper, we relax some of the restrictions by proposing the concept of conditional front-door (CFD) adjustment and develop the theorem that guarantees the causal effect identifiability of CFD adjustment. Furthermore, as it is often impossible for a CFD variable to be given in practice, it is desirable to learn it from data. By leveraging the ability of deep generative models, we propose CFDiVAE to learn the representation of the CFD adjustment variable directly from data with the identifiable Variational AutoEncoder and formally prove the model identifiability. Extensive experiments on synthetic datasets validate the effectiveness of CFDiVAE and its superiority over existing methods. The experiments also show that the performance of CFDiVAE is less sensitive to the causal strength of unobserved confounding variables. We further apply CFDiVAE to a real-world dataset to demonstrate its potential application.
• Abstract（参考訳）: 因果推論における必須かつ困難な問題は、観測データからの因果効果推定である。 この問題は、観測されていない共役変数の存在によってさらに困難になる。 フロントドア調整は、観測されていない共役変数を扱うための実践的なアプローチである。 しかし、実際には標準のフロントドア調整の制限を満たすことは困難である。 本稿では,条件付きフロントドア調整(cfd)の概念を提案し,cfd調整の因果効果の同定可能性を保証する定理を開発することで,いくつかの制約を緩和する。 さらに、実際にCFD変数が与えられることは不可能であることが多いため、データから学ぶことが望ましい。 深層生成モデルの能力を生かしてCFDiVAEを提案し, 同定可能な変分オートエンコーダを用いたデータからCFD調整変数の表現を直接学習し, モデル識別性を正式に証明する。 合成データセットに関する大規模な実験は、CFDiVAEの有効性と既存の方法よりも優れていることを検証した。 また,CFDiVAEの性能は,観測されていない共役変数の因果強度に敏感でないことを示す。 さらに,CFDiVAEを実世界のデータセットに適用し,その可能性を示す。

関連論文リスト

• Rectified Diffusion Guidance for Conditional Generation [62.00207951161297]
  CFGの背後にある理論を再検討し、組合せ係数の不適切な構成(すなわち、広く使われている和対1バージョン)が生成分布の期待シフトをもたらすことを厳密に確認する。 本稿では,誘導係数を緩和したReCFGを提案する。 このようにして、修正された係数は観測されたデータをトラバースすることで容易に事前計算でき、サンプリング速度はほとんど影響を受けない。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• Topic-aware Causal Intervention for Counterfactual Detection [7.295153420065765]
  本稿では,CFDの問題点を考察し,CFDモデルの拡張を目指す。 従来のモデルは、偽造性を予測するための手がかりフレーズに依存しているため、テスト中にヒントフレーズのヒントが存在しない場合、大きなパフォーマンス低下に悩まされる。 本稿では,入力文のグローバルな意味を捉えるために,ニューラルトピックモデルをCFDモデルに統合することを提案する。
  論文  参考訳（メタデータ） (2024-09-25T06:55:33Z)
• Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables [18.34462010115951]
  観測データから因果効果を推定することは、特に潜伏した共同創設者の存在下では困難である。 本稿では,潜在共同創設者と潜在後処理変数の表現を学習するための,新しい変分オートエンコーダ(VAE)と識別可能な変分オートエンコーダ(iVAE)を提案する。
  論文  参考訳（メタデータ） (2024-08-13T22:13:25Z)
• COD: Learning Conditional Invariant Representation for Domain Adaptation Regression [20.676363400841495]
  ドメイン適応回帰(Domain Adaptation Regression)は、ソースドメインからラベルのないターゲットドメインへのラベルの知識を一般化するために開発された。 既存の条件分布アライメント理論と離散前処理法はもはや適用できない。 誤差を最小限に抑えるために,CODに基づく条件付き不変表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-13T05:08:13Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion [23.20371860838245]
  フロントドア基準は、データからフロントドア調整に使用される変数の集合を特定することがしばしば困難である。 表現学習における深層生成モデルの能力を活用して、変分オートエンコーダを用いたフロントドア調整セットの表現を学習するためのFDVAEを提案する。
  論文  参考訳（メタデータ） (2023-04-24T10:04:28Z)
• Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
  本稿では,観測画像データから因果構造を推定する作業について考察する。 Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。 Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
  論文  参考訳（メタデータ） (2022-02-21T12:23:01Z)
• 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)

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。