論文の概要: Causal Representation Learning Made Identifiable by Grouping of
Observational Variables
- arxiv url: http://arxiv.org/abs/2310.15709v1
- Date: Tue, 24 Oct 2023 10:38:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 19:22:11.350451
- Title: Causal Representation Learning Made Identifiable by Grouping of
Observational Variables
- Title(参考訳): 観察変数のグルーピングによって識別可能な因果表現学習
- Authors: Hiroshi Morioka, Aapo Hyv\"arinen
- Abstract要約: 因果表現学習(Causal Representation Learning)は、データ駆動型で隠れた機能の因果モデルを学ぶことを目的としている。
ここでは、新規で弱い制約に基づく識別可能性を示す。
また,モデルに整合した新たな自己教師付き推定フレームワークを提案する。
- 参考スコア(独自算出の注目度): 1.25097469793837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A topic of great current interest is Causal Representation Learning (CRL),
whose goal is to learn a causal model for hidden features in a data-driven
manner. Unfortunately, CRL is severely ill-posed since it is a combination of
the two notoriously ill-posed problems of representation learning and causal
discovery. Yet, finding practical identifiability conditions that guarantee a
unique solution is crucial for its practical applicability. Most approaches so
far have been based on assumptions on the latent causal mechanisms, such as
temporal causality, or existence of supervision or interventions; these can be
too restrictive in actual applications. Here, we show identifiability based on
novel, weak constraints, which requires no temporal structure, intervention,
nor weak supervision. The approach is based assuming the observational mixing
exhibits a suitable grouping of the observational variables. We also propose a
novel self-supervised estimation framework consistent with the model, prove its
statistical consistency, and experimentally show its superior CRL performances
compared to the state-of-the-art baselines. We further demonstrate its
robustness against latent confounders and causal cycles.
- Abstract(参考訳): 現在注目されているトピックはcausal representation learning(crl)で、その目標はデータ駆動方式で隠れた機能のための因果モデルを学ぶことである。
残念なことにCRLは、表現学習と因果発見の2つの悪名高い悪名高い問題の組み合わせである。
しかし,一意解が保証される実用的識別可能性条件の発見は,その実用性に不可欠である。
これまでのアプローチのほとんどは、時間的因果性(temporal causality)や監督や介入の存在といった潜在因果メカニズムの仮定に基づいている。
ここでは,時間構造や介入,弱い監督を必要としない,新しい弱い制約に基づく識別可能性を示す。
このアプローチは、観測混合が観測変数の適切なグループ化を示すと仮定している。
また,モデルに整合した新たな自己教師付き推定フレームワークを提案し,その統計的整合性を証明し,最先端のベースラインに比べて優れたCRL性能を実験的に示す。
我々はまた、潜在する共同設立者と因果サイクルに対する堅牢性を示す。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-24T08:08:05Z) - 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) - 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) - Causal Triplet: An Open Challenge for Intervention-centric Causal
Representation Learning [98.78136504619539]
Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。
この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
論文 参考訳(メタデータ) (2023-01-12T17:43:38Z) - 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) - Temporal-Spatial Causal Interpretations for Vision-Based Reinforcement
Learning [45.77486829658102]
本稿では,エージェントの長期的行動を理解するために,時間空間因果解釈(TSCI)モデルを提案する。
TSCIモデルは,タスク関連時間空間情報を強調するために,高分解能かつ鋭い注意マスクを生成することができることを示す。
論文 参考訳(メタデータ) (2021-12-06T13:24:17Z) - Causal Discovery from Conditionally Stationary Time Series [14.297325665581353]
我々は,広範囲の非定常時系列を扱う因果探索手法を開発した。
State-Dependent Causal Inference (SDCI)と名付けられた私たちのアプローチは、根底にある因果関係を回復することができる。
非線形粒子相互作用データと遺伝子制御ネットワークに関する実証実験は、SDCIの優れた性能を示す。
論文 参考訳(メタデータ) (2021-10-12T18:12:57Z) - Improving Event Causality Identification via Self-Supervised
Representation Learning on External Causal Statement [17.77752074834281]
イベント因果同定に外部因果文を活用するCauSeRLを提案する。
まず、外部因果文から文脈固有の因果パターンを学習するための自己教師型フレームワークを設計する。
我々は、学習した文脈固有の因果パターンを対象のECIモデルに組み込むために、コントラッシブトランスファー戦略を採用する。
論文 参考訳(メタデータ) (2021-06-03T07:50:50Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳(メタデータ) (2021-01-17T07:48:45Z)
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。