論文の概要: Hierarchical Causal Models

• arxiv url: http://arxiv.org/abs/2401.05330v1
• Date: Wed, 10 Jan 2024 18:56:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 13:58:10.773736
• Title: Hierarchical Causal Models
• Title（参考訳）: 階層的因果モデル
• Authors: Eli N. Weinstein and David M. Blei
• Abstract要約: 科学者は、しばしば、内部に営巣したサブユニットから収集された階層的なデータから、原因と影響について学びたいと思っている。 構造因果モデルと因果グラフモデルを拡張した階層因果モデルを提案する。 非階層的データでは不可能である場合でも、階層的データが因果的識別を可能にする多くの状況を見いだす。
• 参考スコア（独自算出の注目度）: 26.573240793743025
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scientists often want to learn about cause and effect from hierarchical data, collected from subunits nested inside units. Consider students in schools, cells in patients, or cities in states. In such settings, unit-level variables (e.g. each school's budget) may affect subunit-level variables (e.g. the test scores of each student in each school) and vice versa. To address causal questions with hierarchical data, we propose hierarchical causal models, which extend structural causal models and causal graphical models by adding inner plates. We develop a general graphical identification technique for hierarchical causal models that extends do-calculus. We find many situations in which hierarchical data can enable causal identification even when it would be impossible with non-hierarchical data, that is, if we had only unit-level summaries of subunit-level variables (e.g. the school's average test score, rather than each student's score). We develop estimation techniques for hierarchical causal models, using methods including hierarchical Bayesian models. We illustrate our results in simulation and via a reanalysis of the classic "eight schools" study.
• Abstract（参考訳）: 科学者は、しばしば、内部に営巣したサブユニットから収集された階層的なデータから原因と効果を学びたがる。 学校の生徒、患者の細胞、あるいは州の都市を考えてみましょう。 そのような設定では、単位レベルの変数(例えば各学校の予算)はサブユニットレベルの変数(例えば各学校の各生徒のテストスコア)に影響する可能性がある。 階層的データを用いた因果問題に対処するために,構造的因果モデルと因果的グラフィカルモデルを拡張する階層的因果モデルを提案する。 そこで我々は,do-calculusを拡張する階層型因果モデルのための一般的なグラフィカル識別手法を開発した。 階層的データが非階層的データで不可能である場合でも因果的識別を可能にする多くの状況、すなわち、サブユニットレベルの変数の単位レベルのサマリー(例えば、各学生のスコアではなく、学校の平均テストスコア)しか持たない場合においても、多くの状況が見つかる。 階層ベイズモデルを含む手法を用いて,階層因果モデルの推定手法を開発した。 本研究は,シミュレーションおよび古典的「八流」研究の再検討を通じて,その成果を述べる。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Learning Causal Abstractions of Linear Structural Causal Models [18.132607344833925]
  因果抽象化(Causal Abstraction)は、2つの構造因果モデルを異なるレベルの詳細で定式化するフレームワークを提供する。 線形抽象関数を持つ線形因果モデルに対する両問題に対処する。 特にAbs-LiNGAMは,学習された高レベルモデルと抽象関数によって引き起こされる制約を利用して,より大規模な低レベルモデルの回復を高速化する手法である。
  論文  参考訳（メタデータ） (2024-06-01T10:42:52Z)
• Reducing the dimensionality and granularity in hierarchical categorical variables [2.089191490381739]
  階層型分類変数の縮小表現を求める手法を提案する。 エンティティの埋め込みが階層的な環境でどのように適用できるかを示す。 提案手法を実際のデータセットに適用し,階層構造が元の階層構造よりも改善されていることを確認する。
  論文  参考訳（メタデータ） (2024-03-06T11:09:36Z)
• Learning Latent Structural Causal Models [31.686049664958457]
  機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。 本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T20:09:44Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Deep Hierarchy in Bandits [51.22833900944146]
  行動の報酬は、しばしば相関する。 統計的効率を最大化するためには,これらの相関を学習に活用することが重要である。 平均作用報酬の相関が階層的ベイズモデルで表されるこの問題のバンディット変法を定式化する。
  論文  参考訳（メタデータ） (2022-02-03T08:15:53Z)
• Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones [64.75766944882389]
  知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
  論文  参考訳（メタデータ） (2021-10-28T07:16:08Z)
• 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)
• Analysis and tuning of hierarchical topic models based on Renyi entropy approach [5.487882744996213]
  階層レベルのトピック数を含む階層モデルのパラメータのチューニングは、依然として困難な課題である。 本稿では,Renyi entropy-based approach for a part solution to the above problemを提案する。
  論文  参考訳（メタデータ） (2021-01-19T12:54:47Z)

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。