論文の概要: Causal Discovery with Generalized Linear Models through Peeling Algorithms

• arxiv url: http://arxiv.org/abs/2310.16698v1
• Date: Wed, 25 Oct 2023 15:12:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 14:00:57.643991
• Title: Causal Discovery with Generalized Linear Models through Peeling Algorithms
• Title（参考訳）: ピーリングアルゴリズムによる一般化線形モデルによる因果発見
• Authors: Minjie Wang, Xiaotong Shen, Wei Pan
• Abstract要約: 本稿では、一般化された構造方程式モデルを用いた因果発見の新しい手法を提案する。 これは、剥離アルゴリズムによって親子関係を正確に発見するための統計的保証を提供する。 また、アルツハイマー病への応用も示している。
• 参考スコア（独自算出の注目度）: 7.859708910171316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article presents a novel method for causal discovery with generalized structural equation models suited for analyzing diverse types of outcomes, including discrete, continuous, and mixed data. Causal discovery often faces challenges due to unmeasured confounders that hinder the identification of causal relationships. The proposed approach addresses this issue by developing two peeling algorithms (bottom-up and top-down) to ascertain causal relationships and valid instruments. This approach first reconstructs a super-graph to represent ancestral relationships between variables, using a peeling algorithm based on nodewise GLM regressions that exploit relationships between primary and instrumental variables. Then, it estimates parent-child effects from the ancestral relationships using another peeling algorithm while deconfounding a child's model with information borrowed from its parents' models. The article offers a theoretical analysis of the proposed approach, which establishes conditions for model identifiability and provides statistical guarantees for accurately discovering parent-child relationships via the peeling algorithms. Furthermore, the article presents numerical experiments showcasing the effectiveness of our approach in comparison to state-of-the-art structure learning methods without confounders. Lastly, it demonstrates an application to Alzheimer's disease (AD), highlighting the utility of the method in constructing gene-to-gene and gene-to-disease regulatory networks involving Single Nucleotide Polymorphisms (SNPs) for healthy and AD subjects.
• Abstract（参考訳）: 本稿では, 離散データ, 連続データ, 混合データを含む多種多様な結果分析に適した一般化構造方程式モデルを用いた因果発見法を提案する。 因果発見はしばしば、因果関係の特定を妨げる未測定の共同設立者による課題に直面している。 提案手法は,因果関係と有効な機器を識別する2つの剥離アルゴリズム(ボトムアップとトップダウン)を開発することでこの問題に対処する。 このアプローチは、まず、プライマリ変数とインストゥルメンタル変数の関係を利用するノードワイズglm回帰に基づくピーリングアルゴリズムを使用して、変数間の祖先関係を表すスーパーグラフを再構成する。 そして,親のモデルから借りた情報で子どものモデルを分解しながら,別の剥離アルゴリズムを用いて親子関係から親子効果を推定する。 本論文では,モデル識別可能性の条件を確立し,剥離アルゴリズムを用いて親子関係を正確に発見するための統計的保証を提供する。 さらに, 共同ファウンダーのいない最先端構造学習手法と比較して, 提案手法の有効性を示す数値実験を行った。 最後に、アルツハイマー病(AD)への応用を実証し、健常者およびAD患者に単一核酸多型(SNP)を含む遺伝子間および遺伝子間制御ネットワークの構築における方法の有用性を強調した。

関連論文リスト

• 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)
• A Generative Modeling Framework for Inferring Families of Biomechanical Constitutive Laws in Data-Sparse Regimes [0.15658704610960567]
  本稿では,データスパース体制における関係の家族を効率的に推定する新しい手法を提案する。 機能的先行概念に着想を得て,ニューラル演算子をジェネレータとし,完全接続ネットワークを敵判別器として組み込んだ生成ネットワーク(GAN)を開発した。
  論文  参考訳（メタデータ） (2023-05-04T22:07:27Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• From Causal Pairs to Causal Graphs [1.5469452301122175]
  観測データから学習する因果構造は、非自明な課題である。 NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。 本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
  論文  参考訳（メタデータ） (2022-11-08T15:28:55Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)
• Weakly Supervised Disentangled Generative Causal Representation Learning [21.392372783459013]
  本研究は, 従来手法では, 監督下においても, 因果関係の要因を解消できないことを示す。 本稿では、因果制御可能な生成と因果表現学習を可能にする、新たな非絡み合い学習法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T11:38:41Z)
• Causal network learning with non-invertible functional relationships [7.845605663563046]
  いくつかの最近の結果は、非ガウスおよび/または非線形構造方程式モデル(SEM)を用いた因果DAGの同定可能性を確立している。 本稿では,多くのデータ領域に存在する非可逆関数によって定義される非線形SEMに着目した。 線形因果関係と非線形因果関係の両方を含むDAGの構造学習において,本試験を組み込む手法を開発した。
  論文  参考訳（メタデータ） (2020-04-20T21:32:05Z)

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。