論文の概要: Causal Discovery under Latent Class Confounding
- arxiv url: http://arxiv.org/abs/2311.07454v1
- Date: Mon, 13 Nov 2023 16:35:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 13:33:16.415110
- Title: Causal Discovery under Latent Class Confounding
- Title(参考訳): 潜学級混在時の因果発見
- Authors: Bijan Mazaheri, Spencer Gordon, Yuval Rabani, Leonard Schulman
- Abstract要約: 因果発見」は、データから因果構造を学習する問題を記述している。
共起基数が有界基数である場合、因果発見は依然として達成可能であることを実証する。
- 参考スコア(独自算出の注目度): 2.3759432635713895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Directed acyclic graphs are used to model the causal structure of a system.
``Causal discovery'' describes the problem of learning this structure from
data. When data is an aggregate from multiple sources (populations or
environments), global confounding obscures conditional independence properties
that drive many causal discovery algorithms. For this reason, existing causal
discovery algorithms are not suitable for the multiple-source setting. We
demonstrate that, if the confounding is of bounded cardinality (i.e. the data
comes from a limited number of sources), causal discovery can still be
achieved. The feasibility of this problem is governed by a trade-off between
the cardinality of the global confounder, the cardinalities of the observed
variables, and the sparsity of the causal structure.
- Abstract(参考訳): 有向非巡回グラフはシステムの因果構造をモデル化するために用いられる。
``causal discovery''はこの構造をデータから学ぶ問題を記述する。
データが複数のソース(人口や環境)からの集約である場合、グローバル結合は多くの因果発見アルゴリズムを駆動する条件付き独立性があいまいになる。
このため、既存の因果発見アルゴリズムはマルチソース設定には適していない。
共起が有界基数である場合(つまり、データは限られた情報源から来ている)、因果発見は依然として達成可能であることを実証する。
この問題の実現性は、グローバルな共同設立者の基数、観察された変数の基数、因果構造の疎性の間のトレードオフによって管理される。
関連論文リスト
- Causal Representation Learning from Multiple Distributions: A General Setting [21.73088044465267]
本稿では,複数の分布からの因果表現学習の一般的,完全に非パラメトリックな設定について述べる。
本研究は、潜在変数上のグラフの空間的制約の下で、基礎となる有向非巡回グラフのモラル化グラフを復元可能であることを示す。
場合によっては、各潜伏変数はコンポーネントワイド変換まで復元できる。
論文 参考訳(メタデータ) (2024-02-07T17:51:38Z) - A Versatile Causal Discovery Framework to Allow Causally-Related Hidden
Variables [28.51579090194802]
因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。
ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。
合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-12-18T07:57:39Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
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) - Nonlinearity, Feedback and Uniform Consistency in Causal Structural
Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。
この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文 参考訳(メタデータ) (2023-08-15T01:23:42Z) - 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) - Weight-variant Latent Causal Models [79.79711624326299]
因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。
本研究では,潜伏因果変数の同定に焦点をあてる。
推移性は潜伏因果変数の識別性を著しく阻害することを示す。
本稿では,潜時因果変数を直接学習する構造式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) - Causal Discovery in Linear Structural Causal Models with Deterministic
Relations [27.06618125828978]
我々は因果発見の課題と観察データに焦点をあてる。
因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
論文 参考訳(メタデータ) (2021-10-30T21:32:42Z) - 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) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-28T11:07:59Z) - 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。