論文の概要: Invariant Causal Prediction with Local Models
- arxiv url: http://arxiv.org/abs/2401.05218v2
- Date: Fri, 30 Aug 2024 14:27:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 20:31:28.499971
- Title: Invariant Causal Prediction with Local Models
- Title(参考訳): 局所モデルを用いた不変因果予測
- 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特定するタスクについて検討する。
L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
- 参考スコア(独自算出の注目度): 52.161513027831646
- 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 candidates from observational data. Our main assumption is that the candidate variables are observed in different environments which may, under certain assumptions, be regarded as interventions on the observed system. We assume a linear relationship between target and candidates, which can be different in each environment with the only restriction that the causal structure is invariant across environments. Within our proposed setting we provide sufficient conditions for identifiability of the causal parents and introduce a practical method called L-ICP ($\textbf{L}$ocalized $\textbf{I}$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 L-ICP converges exponentially fast in the sample size, and finally we analyze the behavior of L-ICP 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特定するタスクについて検討する。
我々の主な前提は、候補変数は、特定の仮定の下で、観察されたシステムに対する介入と見なされる様々な環境で観察されるということである。
対象と候補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。
提案した設定の中では、因果親の識別可能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率を用いた親識別の仮説テストに基づいて、L-ICP ($\textbf{L}$ocalized $\textbf{I}$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、L-ICP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L-ICPの挙動をより一般的な設定で実験的に解析する。
関連論文リスト
- 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) - Out-of-Variable Generalization for Discriminative Models [13.075802230332298]
機械学習では、エージェントが新しい環境でうまく機能する能力は知性の重要な側面である。
我々は、これまで共同で観測されなかった変数を持つ環境に関する、$textitout-of-variable$ generalizationを調査した。
本稿では,重なり合うが相違する因果予測器の集合に直面する場合,非自明な変数外一般化性能を示す手法を提案する。
論文 参考訳(メタデータ) (2023-04-16T21:29:54Z) - Environment Invariant Linear Least Squares [18.387614531869826]
本稿では,複数の実験環境からのデータを収集する多環境線形回帰モデルについて考察する。
線形最小二乗回帰のマルチ環境バージョンである、新しい環境不変線形最小二乗関数(EILLS)を構築する。
論文 参考訳(メタデータ) (2023-03-06T13:10:54Z) - 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) - 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) - Causal Order Identification to Address Confounding: Binary Variables [4.56877715768796]
本稿では,線形非ガウス非巡回モデル(LiNGAM)の拡張について考察する。
LiNGAMは、変数が雑音を含む一連の線形方程式で表されるとき、データセットから変数間の因果順序を決定する。
論文 参考訳(メタデータ) (2021-08-10T22:09:43Z) - 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) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-06-09T06:56:31Z) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳(メタデータ) (2020-05-18T23:48:56Z)
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。