論文の概要: Identifiability of total effects from abstractions of time series causal
graphs
- arxiv url: http://arxiv.org/abs/2310.14691v3
- Date: Wed, 21 Feb 2024 10:00:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 20:18:29.485548
- Title: Identifiability of total effects from abstractions of time series causal
graphs
- Title(参考訳): 時系列因果グラフの抽象化による総効果の識別可能性
- Authors: Charles K. Assaad, Emilie Devijver (LIG, UGA), Eric Gaussier (LIG,
UGA), Gregor G\"ossler (LIG, SPADES), Anouar Meynaoui (IRMAR, UR2)
- Abstract要約: 本稿では,システム因果グラフを抽象化した観測時系列からの介入による全効果の同定可能性の問題について検討する。
要約因果グラフでは,全効果が常に識別可能であることを示すとともに,要約因果グラフにおける識別可能性に関する必要十分かつ十分なグラフィカルな条件を提供する。
- 参考スコア(独自算出の注目度): 0.6022769903412459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of identifiability of the total effect of an
intervention from observational time series only given an abstraction of the
causal graph of the system. Specifically, we consider two types of
abstractions: the extended summary causal graph which conflates all lagged
causal relations but distinguishes between lagged and instantaneous relations;
and the summary causal graph which does not give any indication about the lag
between causal relations. We show that the total effect is always identifiable
in extended summary causal graphs and we provide necessary and sufficient
graphical conditions for identifiability in summary causal graphs. Furthermore,
we provide adjustment sets allowing to estimate the total effect whenever it is
identifiable.
- Abstract(参考訳): 本稿では,システム因果グラフを抽象化した観測時系列からの介入による全効果の同定可能性の問題について検討する。
具体的には,すべてのラグ付き因果関係を共用するがラグ付きと瞬時関係を区別する拡張要約因果グラフと,因果関係間のラグを示さない要約因果グラフの2つの抽象化を考察した。
総和効果は拡張された総和因果グラフにおいて常に同定可能であり,総和因果グラフの識別性に必要かつ十分なグラフィカル条件を提供する。
さらに,特定可能な場合の総効果を推定するための調整セットも提供する。
関連論文リスト
- Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。
本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文 参考訳(メタデータ) (2023-10-25T10:10:07Z) - Identifiability of Direct Effects from Summary Causal Graphs [1.0878040851638]
本稿では,要約因果グラフから直接効果が図形的に識別可能なすべてのケースを特徴付ける。
これは2つの音の有限調整セットを与え、それが特定可能なときに直接効果を推定するために使用できる。
論文 参考訳(メタデータ) (2023-06-29T14:05:35Z) - Causally-guided Regularization of Graph Attention Improves
Generalizability [69.09877209676266]
本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。
メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。
ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
論文 参考訳(メタデータ) (2022-10-20T01:29:10Z) - Inferring extended summary causal graphs from observational time series [4.263043028086137]
時系列間の差分を決定するために,情報理論の手法を用いている。
本手法の動作は,シミュレーションおよび実データを用いたいくつかの実験を通して説明される。
論文 参考訳(メタデータ) (2022-05-19T09:39:57Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2022-02-07T08:04:59Z) - Clustering and Structural Robustness in Causal Diagrams [1.9766522384767222]
変数のクラスタリングは因果図のサイズを減らす自然な方法である。
我々は、因果効果の識別可能性特性を維持するために、トランジットクラスタと呼ばれる特定のタイプのクラスタを定義する。
このような構造的ロバスト性は、トランジットクラスタと密接に関連していることを示す。
論文 参考訳(メタデータ) (2021-11-08T13:56:22Z) - Causal Effect Identification with Context-specific Independence
Relations of Control Variables [24.835889689036943]
因果グラフを用いた観測結果から因果効果を同定する問題について検討した。
我々は,CSI関係を単なる観測分布から学習することのできる,グラフィカルな制約のセットを紹介する。
論文 参考訳(メタデータ) (2021-10-22T20:58:37Z) - Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。
因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。
従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
論文 参考訳(メタデータ) (2020-11-24T13:22:34Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z)
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。