論文の概要: Towards Bounding Causal Effects under Markov Equivalence
- arxiv url: http://arxiv.org/abs/2311.07259v1
- Date: Mon, 13 Nov 2023 11:49:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 14:36:13.446789
- Title: Towards Bounding Causal Effects under Markov Equivalence
- Title(参考訳): マルコフ等価性下における因果効果のバウンディングに向けて
- Authors: Alexis Bellot
- Abstract要約: 一般に、そのような質問は観測データから決定的に答えることが出来ないことがよく確立されている。
このタスクの一般化は、データによって引き起こされる因果効果の非自明な境界を決定することである。
解析的に計算可能な因果効果のバウンダリを導出する体系的アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 13.050023008348388
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting the effect of unseen interventions is a fundamental research
question across the data sciences. It is well established that, in general,
such questions cannot be answered definitively from observational data, e.g.,
as a consequence of unobserved confounding. A generalization of this task is to
determine non-trivial bounds on causal effects induced by the data, also known
as the task of partial causal identification. In the literature, several
algorithms have been developed for solving this problem. Most, however, require
a known parametric form or a fully specified causal diagram as input, which is
usually not available in practical applications. In this paper, we assume as
input a less informative structure known as a Partial Ancestral Graph, which
represents a Markov equivalence class of causal diagrams and is learnable from
observational data. In this more "data-driven" setting, we provide a systematic
algorithm to derive bounds on causal effects that can be computed analytically.
- Abstract(参考訳): 未発見の介入の効果を予測することは、データサイエンス全体の基本的な研究課題である。
一般に、そのような質問が観測データから決定的に答えられないことは、例えば、観測されていない不確実性の結果である。
このタスクの一般化は、データによって引き起こされる因果効果の非自明な境界を決定することである。
文献では、この問題を解くためにいくつかのアルゴリズムが開発されている。
しかし、ほとんどの場合、既知のパラメトリック形式や完全に特定された因果図を入力として必要としており、これは通常、実用的な用途では利用できない。
本稿では, 因果図のマルコフ同値クラスを表現し, 観測データから学習可能な部分アンセストラルグラフ (Partial Ancestral Graph) と呼ばれる少ない情報構造を入力として仮定する。
このより「データ駆動」な設定では、分析的に計算できる因果効果の境界を導出する体系的なアルゴリズムを提供する。
関連論文リスト
- Learning Linear Causal Representations from Interventions under General
Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。
これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文 参考訳(メタデータ) (2023-06-04T02:32:12Z) - 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) - On Learning Necessary and Sufficient Causal Graphs [29.339455706346193]
実際には、グラフ内の変数の小さな部分集合のみが関心の結果に関係している。
本稿では,目的達成のための因果関係変数のみを含む,必要かつ十分な因果グラフ(NSCG)のクラスを学習することを提案する。
因果関係の確率と特徴の自然因果関係の理論的性質を確立することにより,必要な因果構造学習(NSCSL)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-01-29T08:19:15Z) - A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。
データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。
我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-07-18T09:26:07Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳(メタデータ) (2022-06-04T22:38:57Z) - 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) - 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) - Typing assumptions improve identification in causal discovery [123.06886784834471]
観測データからの因果発見は、正確な解を常に特定できない難しい課題である。
そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
論文 参考訳(メタデータ) (2021-07-22T14:23:08Z) - Bayesian Model Averaging for Data Driven Decision Making when Causality
is Partially Known [0.0]
我々はベイズモデル平均化(BMA)のようなアンサンブル法を用いて因果グラフの集合を推定する。
潜在的な介入の期待値とリスクを明示的に計算して意思決定を行います。
論文 参考訳(メタデータ) (2021-05-12T01:55:45Z)
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。