論文の概要: Causal Discovery under Latent Class Confounding

• arxiv url: http://arxiv.org/abs/2311.07454v5
• Date: Wed, 16 Oct 2024 12:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:38:18.071713
• 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: グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを示す。 グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別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）: 2.1749194587826026
• License:
• Abstract: An acyclic causal structure can be described with directed acyclic graph (DAG), where arrows indicate the possibility of direct causation. The task of learning this structure from data is known as "causal discovery." Diverse populations or changing environments can sometimes give rise to data that is heterogeneous in the following sense: each population/environment is a "source" which idiosyncratically determines the forms of those direct causal effects. From this perspective, the source is a latent common cause for every observed variable. While some methods for causal discovery are able to work around latent confounding in special cases, especially when only few observables are confounded, a global confounder is a difficult challenge. The only known ways to deal with latent global confounding involve assumptions that limit the structural equations and/or noise functions. We demonstrate that globally confounded causal structures can still be identifiable with arbitrary structural equations and noise functions, so long as the number of latent classes remains small relative to the size and sparsity of the underlying DAG.
• Abstract（参考訳）: 非巡回因果構造は、矢印が直接因果の可能性を示唆する有向非巡回グラフ(DAG)で記述することができる。 この構造をデータから学習する作業は「因果発見(causal discovery)」として知られている。 各個体群/環境は「源」であり、これらの直接的な因果効果の形式を慣用的に決定する。 この観点では、ソースは観測されたすべての変数に対して、遅延した共通の原因である。 因果発見のためのいくつかの手法は、特別なケースで潜伏するコンファウンディング(confounding)を回避できるが、特に観測可能なものが少ない場合、グローバルな共同設立は難しい課題である。 潜在的大域的共起を扱う唯一の方法として、構造方程式や雑音関数を制限する仮定がある。 我々は,大域的に構築された因果構造を任意の構造方程式や雑音関数で同定できることを示した。

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 [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)
• 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)
• Structural restrictions in local causal discovery: identifying direct causes of a target variable [0.9208007322096533]
  観測的関節分布から対象変数の直接的な原因の集合を学ぶことは、科学の基本的な問題である。 ここでは、完全なDAGではなく、1つのターゲット変数の直接的な原因を特定することにのみ関心があります。 これにより、識別可能性の仮定を緩和し、より高速で堅牢なアルゴリズムを開発することができる。
  論文  参考訳（メタデータ） (2023-07-29T18:31:35Z)
• Heteroscedastic Causal Structure Learning [2.566492438263125]
  ガウス雑音下での不連続因果構造学習問題に取り組む。 因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。 その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
  論文  参考訳（メタデータ） (2023-07-16T07:53:16Z)
• 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)
• 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)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• 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)

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。