論文の概要: Discrete Nonparametric Causal Discovery Under Latent Class Confounding
- arxiv url: http://arxiv.org/abs/2311.07454v2
- Date: Tue, 13 Feb 2024 22:42:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 19:08:25.058188
- Title: Discrete Nonparametric Causal Discovery Under Latent Class Confounding
- Title(参考訳): 遅延クラスによる離散的非パラメトリック因果発見
- Authors: Bijan Mazaheri, Spencer Gordon, Yuval Rabani, Leonard Schulman
- Abstract要約: 因果発見は、有界潜在クラスの下でも識別可能であることを示す。
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、因果構造の疎度の間のトレードオフによって管理される。
- 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. This setting is sometimes known as
a mixture model or a latent class. While some modern methods for causal
discovery are able to work around unobserved confounding in specific cases, the
only known ways to deal with a global confounder involve parametric
assumptions. that are unsuitable for discrete distributions.Focusing on
discrete and non-parametric observed variables, we demonstrate that causal
discovery can still be identifiable under bounded latent classes. 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。
この設定は、ミックスモデルまたは潜在クラスと呼ばれることもある。
因果発見のための現代的な手法は、特定のケースで観察されていない共起を回避できるが、グローバルな共起者に対処する唯一の方法はパラメトリックな仮定である。
離散分布には不向きであり、離散変数と非パラメトリック変数に注目して、有界な潜在クラスの下で因果発見を識別できることを実証する。
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
- 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) - Causal Discovery with Unobserved Variables: A Proxy Variable Approach [42.56435928287998]
本研究では,未観測変数が存在する場合の因果関係を特定するためのプロキシベースの仮説テストを提案する。
私たちのテストは一貫性があり、大規模なサンプルが入手可能な場合に理想的なパワーを持つ。
論文 参考訳(メタデータ) (2023-05-09T09:08:39Z) - Differentiable Invariant Causal Discovery [106.87950048845308]
観測データから因果構造を学ぶことは、機械学習の基本的な課題である。
本稿では,不特定変分因果解法(DICD)を提案する。
合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
論文 参考訳(メタデータ) (2022-05-31T09:29:07Z) - 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) - 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) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳(メタデータ) (2021-06-14T17:52:49Z) - 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。