論文の概要: Invariant Causal Prediction with Locally Linear Models

• arxiv url: http://arxiv.org/abs/2401.05218v1
• Date: Wed, 10 Jan 2024 15:34:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 14:19:00.379713
• Title: Invariant Causal Prediction with Locally Linear Models
• Title（参考訳）: 局所線形モデルによる不変因果予測
• Authors: Alexander Mey, Rui Manuel Castro
• Abstract要約: 観測データから対象変数の因果親を同定する作業を検討する。 親識別のための仮説テストに基づくLolicaPという実用的な手法を提案する。 我々は,LolicaPの統計的パワーが標本サイズにおいて指数関数的に高速に収束することを示す。
• 参考スコア（独自算出の注目度）: 58.6243132840146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the task of identifying the causal parents of a target variable among a set of candidate variables from observational data. Our main assumption is that the candidate variables are observed in different environments which may, for example, correspond to different settings of a machine or different time intervals in a dynamical process. Under certain assumptions different environments can be regarded as interventions on the observed system. We assume a linear relationship between target and covariates, which can be different in each environment with the only restriction that the causal structure is invariant across environments. This is an extension of the ICP ($\textbf{I}$nvariant $\textbf{C}$ausal $\textbf{P}$rediction) principle by Peters et al. [2016], who assumed a fixed linear relationship across all environments. Within our proposed setting we provide sufficient conditions for identifiability of the causal parents and introduce a practical method called LoLICaP ($\textbf{Lo}$cally $\textbf{L}$inear $\textbf{I}$nvariant $\textbf{Ca}$usal $\textbf{P}$rediction), which is based on a hypothesis test for parent identification using a ratio of minimum and maximum statistics. We then show in a simplified setting that the statistical power of LoLICaP converges exponentially fast in the sample size, and finally we analyze the behavior of LoLICaP experimentally in more general settings.
• Abstract（参考訳）: 観測データから,対象変数の因果親を候補変数の集合として同定する作業を検討する。 我々の主な前提は、候補変数は異なる環境で観察され、例えば、動的プロセスにおける機械の設定や時間間隔の異なる設定に対応できるということです。 ある前提の下では、異なる環境は観察されたシステムの介入と見なすことができる。 目的と共変量の間の線形関係を仮定し,各環境において因果構造が環境間で不変であるという制約を課す。 これはピーターズらによるICP$\textbf{I}$nvariant $\textbf{C}$ausal $\textbf{P}$rediction) の原理の拡張である。 【2016年】全環境にまたがる固定線形関係を仮定した。 提案する条件内では、因果親の識別性に関する十分な条件を提供し、最小統計量と最大統計量の比を用いた親識別のための仮説テストに基づいて、lolicap (\textbf{lo}$cally $\textbf{l}$inear $\textbf{i}$nvariant $\textbf{ca}$usal $\textbf{p}$rediction)と呼ばれる実用的な方法を導入する。 次に、LolicaPの統計的パワーがサンプルサイズで指数関数的に速く収束することを示し、最終的により一般的な設定でLolicaPの挙動を実験的に解析する。

関連論文リスト

• Efficient Identification of Direct Causal Parents via Invariance and Minimum Error Testing [8.40704222803588]
  ICPの識別可能性問題に対処するために,誤り不等式を用いたMMSE-ICPと高速ICPを提案する。 不等式は、因果親を用いた予測器の最小誤差が全ての予測器の中で最小であることを示す。 MMSE-ICP と fastICP は、多くのシミュレーションにおいて競合するベースラインを上回るだけでなく、大規模な実データベンチマークで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-09-19T14:07:31Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around Exposure-Outcome Pairs [18.31538168213386]
  本稿では,因果推論タスクの分割(LDP)による局所的な発見を提案する。 LDPは制約ベースのプロシージャで、潜伏したコンバウンディングの下で露光出力ペアのVASを返す。 LDPの調整セットは、ベースライン発見アルゴリズムよりもバイアスが少なく、より正確な平均処理効果の推定値が得られる。
  論文  参考訳（メタデータ） (2023-10-25T14:53:10Z)
• 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)
• Reinterpreting causal discovery as the task of predicting unobserved joint statistics [15.088547731564782]
  我々は因果発見が、観測されていない関節分布の性質を推測するのに役立つと論じている。 入力が変数のサブセットであり、ラベルがそのサブセットの統計的性質である学習シナリオを定義する。
  論文  参考訳（メタデータ） (2023-05-11T15:30:54Z)
• Invariant Ancestry Search [6.583725235299022]
  最小不変性の概念を導入し、不変祖先探索(IAS)を提案する。 集団版では、IASは応答の祖先のみを含む集合を出力し、ICPの出力である。 スケーラブルなアルゴリズムを開発し、シミュレーションおよび実データの実験を行う。
  論文  参考訳（メタデータ） (2022-02-02T08:28:00Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• 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)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• Active Invariant Causal Prediction: Experiment Selection through Stability [4.56877715768796]
  本研究では、不変因果予測(ICP)に基づく新しい能動学習(実験選択)フレームワーク(A-ICP)を提案する。 一般的な構造因果モデルでは、いわゆる安定集合に対する介入の効果を特徴づける。 本稿では,A-ICPの介入選択ポリシーを提案し,因果グラフにおける応答変数の直接原因を素早く明らかにする。 実験により, 人口および有限登録実験において提案した政策の有効性を実証的に分析した。
  論文  参考訳（メタデータ） (2020-06-10T07:07:27Z)

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。