論文の概要: A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables

• arxiv url: http://arxiv.org/abs/2312.11001v1
• Date: Mon, 18 Dec 2023 07:57:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 20:53:00.019824
• Title: A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables
• Title（参考訳）: 因果関係の隠れ変数を許容する多用途因果発見フレームワーク
• Authors: Xinshuai Dong, Biwei Huang, Ignavier Ng, Xiangchen Song, Yujia Zheng, Songyao Jin, Roberto Legaspi, Peter Spirtes, Kun Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.51579090194802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing causal discovery methods rely on the assumption of no latent confounders, limiting their applicability in solving real-life problems. In this paper, we introduce a novel, versatile framework for causal discovery that accommodates the presence of causally-related hidden variables almost everywhere in the causal network (for instance, they can be effects of observed variables), based on rank information of covariance matrix over observed variables. We start by investigating the efficacy of rank in comparison to conditional independence and, theoretically, establish necessary and sufficient conditions for the identifiability of certain latent structural patterns. Furthermore, we develop a Rank-based Latent Causal Discovery algorithm, RLCD, that can efficiently locate hidden variables, determine their cardinalities, and discover the entire causal structure over both measured and hidden ones. We also show that, under certain graphical conditions, RLCD correctly identifies the Markov Equivalence Class of the whole latent causal graph asymptotically. Experimental results on both synthetic and real-world personality data sets demonstrate the efficacy of the proposed approach in finite-sample cases.
• Abstract（参考訳）: 既存の因果発見手法のほとんどは、潜在する共同設立者の仮定に依拠しており、実際の問題を解決する上での応用性が制限されている。 本稿では,因果ネットワークにおける因果関係の隠れた変数(例えば,観測変数の効果)の存在を,観測変数上の共分散行列のランク情報に基づいて満たす,因果関係の隠れ変数の存在を想定した,新しい汎用的な因果発見フレームワークを提案する。 まず,条件付き独立性と比較してランクの有効性を検証し,理論的には,特定の潜在構造パターンの識別性に必要十分条件を確立する。 さらに,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双方に対して因果構造全体を検出する。 また、あるグラフィカルな条件下では、rlcdは潜在因果グラフ全体のマルコフ同値クラスを漸近的に正しく識別する。 合成および実世界のパーソナリティデータセットにおける実験結果は,有限サンプルの場合において提案手法の有効性を示す。

関連論文リスト

• Score matching through the roof: linear, nonlinear, and latent variables causal discovery [18.46845413928147]
  観測データからの因果発見は、非常に有望である。 既存の手法は根底にある因果構造に関する強い仮定に依存している。 線形・非線形・潜在変数モデルにまたがる因果探索のためのフレキシブルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-26T14:09:06Z)
• Learning Discrete Latent Variable Structures with Tensor Rank Conditions [30.292492090200984]
  観測されていない離散データは、多くの科学分野においてユビキタスであり、これらの潜伏変数の因果構造を学習する方法は、データパターンを明らかにするために不可欠である。 ほとんどの研究は線形潜在変数モデルに焦点を当てたり、非線型関係や複素潜在構造を含む離散データにおけるケースに対処できない潜在構造に厳密な制約を課す。 観測変数集合 $mathbfX_p$ に対するテンソル階数条件を探索し、その階数が特定の条件集合の最小サポートによって決定されることを示す。 異なる観測変数のランクを探索することで、潜伏変数を特定できる。
  論文  参考訳（メタデータ） (2024-06-11T07:25:17Z)
• Local Causal Structure Learning in the Presence of Latent Variables [16.88791886307876]
  本稿では,変数がターゲットの直接的な原因や効果であるかどうかを判定する原理的手法を提案する。 実世界の合成データと実世界のデータによる実験結果から,本手法の有効性と有効性について検証した。
  論文  参考訳（メタデータ） (2024-05-25T13:31:05Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• 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)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的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)

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。