論文の概要: General Identifiability and Achievability for Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2310.15450v1
• Date: Tue, 24 Oct 2023 01:47:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 20:49:07.089390
• Title: General Identifiability and Achievability for Causal Representation Learning
• Title（参考訳）: 因果表現学習における一般識別性と達成可能性
• Authors: Burak Var{\i}c{\i}, Emre Acart\"urk, Karthikeyan Shanmugam, Ali Tajer
• Abstract要約: 本論文は,潜伏因果グラフにおけるノード毎の2つのハードなテクスチャファインカップリング介入を用いて,テクスチャファインフィフィフィタビリティとテクスチャファインフィタビリティ(textbfidentifiability)を評価する。 同定可能性について,未結合の介入の下で潜伏因果モデルと変数の完全回復が保証されることを示す。 達成可能性のために、観測データと介入データを使用し、アルゴリズムの証明可能な保証とともに潜伏因果モデルと変数を復元するアルゴリズムが設計されている。
• 参考スコア（独自算出の注目度）: 33.80247458590611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on causal representation learning (CRL) under a general nonparametric causal latent model and a general transformation model that maps the latent data to the observational data. It establishes \textbf{identifiability} and \textbf{achievability} results using two hard \textbf{uncoupled} interventions per node in the latent causal graph. Notably, one does not know which pair of intervention environments have the same node intervened (hence, uncoupled environments). For identifiability, the paper establishes that perfect recovery of the latent causal model and variables is guaranteed under uncoupled interventions. For achievability, an algorithm is designed that uses observational and interventional data and recovers the latent causal model and variables with provable guarantees for the algorithm. This algorithm leverages score variations across different environments to estimate the inverse of the transformer and, subsequently, the latent variables. The analysis, additionally, recovers the existing identifiability result for two hard \textbf{coupled} interventions, that is when metadata about the pair of environments that have the same node intervened is known. It is noteworthy that the existing results on non-parametric identifiability require assumptions on interventions and additional faithfulness assumptions. This paper shows that when observational data is available, additional faithfulness assumptions are unnecessary.
• Abstract（参考訳）: 本稿では、一般的な非パラメトリック因果潜在モデルと、潜在データを観測データにマッピングする一般変換モデルに基づく因果表現学習(CRL)に焦点を当てる。 潜在因果グラフ内のノードごとに2つのハードな \textbf{uncoupled} 介入を用いて、 \textbf{identifiability} と \textbf{achievability} の結果を確立する。 特に、どの一対の介入環境が同じノードを介入しているか(疎結合な環境)を知らない。 この論文は、未結合の介入の下で潜在因果モデルと変数の完全回復が保証されることを示す。 達成可能性のために、観測データと介入データを使用し、アルゴリズムの証明可能な保証で潜在因果モデルと変数を復元するアルゴリズムが設計されている。 このアルゴリズムは、異なる環境におけるスコアの変動を利用して、変圧器の逆数と後続変数を推定する。 さらに、分析では、2つのハードな \textbf{coupled} 介入、つまり同じノードが介入した2つの環境に関するメタデータが知られている場合に、既存のidentifiability結果が復元される。 非パラメトリック識別性に関する既存の結果は、介入に関する仮定と追加の忠実性の仮定を必要とする。 本稿では、観測データが利用可能である場合、追加の忠実性の仮定は不要であることを示す。

関連論文リスト

• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Score-based Causal Representation Learning: Linear and General Transformations [31.786444957887472]
  本稿は、識別可能性と達成可能性の両方に対処する。 スコアに基づくアルゴリズムのクラスを設計し、識別性と達成性の両方を保証する。 結果は構造化された合成データと画像データの実験によって実証的に検証される。
  論文  参考訳（メタデータ） (2024-02-01T18:40:03Z)
• Learning Causal Representations from General Environments: Identifiability and Intrinsic Ambiguity [27.630223763160515]
  一般的な環境から得られたデータに基づいて,最初の識別可能性を示す。 線形因果モデルでは、因果グラフは完全復元可能であるが、潜伏変数は閉ノード曖昧性(SNA)までしか識別できないことを示す。 また,SNAまでの地下構造モデルを確実に復元するアルゴリズムである texttLiNGCReL を提案する。
  論文  参考訳（メタデータ） (2023-11-21T01:09:11Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Semiparametric Inference For Causal Effects In Graphical Models With Hidden Variables [13.299431908881425]
  隠れ変数有向非巡回グラフに関連する因果モデルにおける因果効果の同定理論をよく研究した。 対応するアルゴリズムは、出力する関数を推定する複雑さのために、過小評価される。 単一処理と単一結果を含む集団レベルの因果効果の同定と推定のギャップを橋渡しする。
  論文  参考訳（メタデータ） (2020-03-27T22:29:04Z)

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。