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
- Discrete Nonparametric Causal Discovery Under Latent Class Confounding [2.3759432635713895]
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。
論文 参考訳(メタデータ) (2023-11-13T16:35:34Z) - 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) - Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳(メタデータ) (2023-07-12T15:39:39Z) - 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) - 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。