Fugu-MT 論文翻訳(概要): Assessing the overall and partial causal well-specification of nonlinear additive noise models

論文の概要: Assessing the overall and partial causal well-specification of nonlinear additive noise models

arxiv url: http://arxiv.org/abs/2310.16502v3
Date: Wed, 27 Mar 2024 13:40:27 GMT
ステータス: 処理完了
システム内更新日: 2024-03-28 22:52:43.073595
Title: Assessing the overall and partial causal well-specification of nonlinear additive noise models
Title（参考訳）: 非線形付加雑音モデルの全体的および部分的因果的健全性評価
Authors: Christoph Schultheiss, Peter Bühlmann,
Abstract要約: このような誤用があっても因果関係を推測できる予測変数を同定することを目的としている。本稿では,有限サンプルデータに対するアルゴリズムを提案し,その特性について議論し,シミュレーションおよび実データ上での性能を示す。
参考スコア（独自算出の注目度）: 4.13592995550836
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a method to detect model misspecifications in nonlinear causal additive and potentially heteroscedastic noise models. We aim to identify predictor variables for which we can infer the causal effect even in cases of such misspecification. We develop a general framework based on knowledge of the multivariate observational data distribution. We then propose an algorithm for finite sample data, discuss its asymptotic properties, and illustrate its performance on simulated and real data.
Abstract（参考訳）: 非線形因果加法および潜在的にヘテロシダスティックノイズモデルにおけるモデルの誤特定を検出する手法を提案する。このような不特定の場合であっても因果関係を推測できる予測変数を同定することを目的としている。我々は多変量観測データ分布の知識に基づく一般的なフレームワークを開発する。次に、有限サンプルデータに対するアルゴリズムを提案し、その漸近特性について議論し、シミュレーションおよび実データ上での性能を示す。

関連論文リスト

Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
論文参考訳（メタデータ） (2024-10-17T17:59:02Z)
Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
論文参考訳（メタデータ） (2023-12-15T02:26:35Z)
Causal Discovery with Score Matching on Additive Models with Arbitrary Noise [37.13308785728276]
因果発見法は、構造識別可能性を保証するために必要な仮定のセットによって本質的に制約される。本稿では,雑音項のガウス性に反するエッジ反転のリスクを解析し,この仮説の下での推論の欠点を示す。本稿では,一般的な雑音分布を持つ付加非線形モデルに基づいて生成されたデータから,因果グラフ内の変数の位相的順序付けを推定する新しい手法を提案する。これは、最小限の仮定と、合成データに基づいて実験的にベンチマークされた技術性能の状態を持つ因果探索アルゴリズムであるNoGAMに繋がる。
論文参考訳（メタデータ） (2023-04-06T17:50:46Z)
Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文参考訳（メタデータ） (2022-12-06T12:42:11Z)
Uncertainty Disentanglement with Non-stationary Heteroscedastic Gaussian Processes for Active Learning [10.757942829334057]
勾配に基づく手法で学習可能な非定常ヘテロセダスティックガウス過程モデルを提案する。提案手法は, 全体的な不確かさを, アレタリック(非再現性)とてんかん(モデル)の不確実性に分離することにより, モデルの解釈可能性を示す。
論文参考訳（メタデータ） (2022-10-20T02:18:19Z)
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文参考訳（メタデータ） (2022-05-27T09:59:46Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
A Subsampling-Based Method for Causal Discovery on Discrete Data [18.35147325731821]
本研究では,原因発生方式とメカニズムの独立性をテストするためのサブサンプリング方式を提案する。我々の手法は、離散データと分類データの両方で機能し、データ上の機能的モデルを含まないため、より柔軟なアプローチである。
論文参考訳（メタデータ） (2021-08-31T17:11:58Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)

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。