論文の概要: Subjective Causality

• arxiv url: http://arxiv.org/abs/2401.10937v1
• Date: Wed, 17 Jan 2024 11:36:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-28 15:56:36.512377
• Title: Subjective Causality
• Title（参考訳）: 主観的因果性
• Authors: Joseph Y. Halpern, Evan Piermont
• Abstract要約: 我々は因果モデル(構造方程式モデルとも呼ばれる)を用いて因果性を表現する。 介入の好みを観察することで意思決定者の主観的因果判断を理解・特定できることを示す。
• 参考スコア（独自算出の注目度）: 14.440599230549443
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We show that it is possible to understand and identify a decision maker's subjective causal judgements by observing her preferences over interventions. Following Pearl [2000], we represent causality using causal models (also called structural equations models), where the world is described by a collection of variables, related by equations. We show that if a preference relation over interventions satisfies certain axioms (related to standard axioms regarding counterfactuals), then we can define (i) a causal model, (ii) a probability capturing the decision-maker's uncertainty regarding the external factors in the world and (iii) a utility on outcomes such that each intervention is associated with an expected utility and such that intervention $A$ is preferred to $B$ iff the expected utility of $A$ is greater than that of $B$. In addition, we characterize when the causal model is unique. Thus, our results allow a modeler to test the hypothesis that a decision maker's preferences are consistent with some causal model and to identify causal judgements from observed behavior.
• Abstract（参考訳）: 意思決定者の主観的因果判断は,介入に対する嗜好を観察することで理解し,識別することが可能であることを示す。 パール [2000] に続いて、我々は因果モデル(構造方程式モデルとも呼ばれる)を用いて因果関係を表現する。 介入に対する嗜好関係が特定の公理(反事実に関する標準公理に関連する)を満たすならば、定義できることを示す。 (i)因果モデル 二 世界の外部要因に関する意思決定者の不確実性を捉えた確率 (iii)各介入が期待される効用と関連づけられ、かつ、介入$a$が$b$ iffより好ましい結果の効用$a$の期待効用は、$b$の効用よりも大きい。 さらに、因果モデルがユニークである場合に特徴付ける。 そこで本研究では,意思決定者の嗜好が何らかの因果モデルと一致しているという仮説をモデル化し,観察行動から因果判断を同定する。

関連論文リスト

• Linking Model Intervention to Causal Interpretation in Model Explanation [34.21877996496178]
  直感的なモデル介入効果が因果解釈を持つ場合の条件について検討する。 この研究はモデルの介入効果とモデルの因果解釈を結びつける。 半合成データセットの実験は、定理を検証し、モデルの解釈にモデル介入効果を使用する可能性を示す。
  論文  参考訳（メタデータ） (2024-10-21T05:16:59Z)
• 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)
• Quantifying the Sensitivity of Inverse Reinforcement Learning to Misspecification [72.08225446179783]
  逆強化学習は、エージェントの行動からエージェントの好みを推測することを目的としている。 これを行うには、$pi$が$R$とどのように関係しているかの振る舞いモデルが必要です。 我々は、IRL問題が行動モデルの不特定性にどれほど敏感であるかを分析する。
  論文  参考訳（メタデータ） (2024-03-11T16:09:39Z)
• 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)
• Axiomatization of Interventional Probability Distributions [4.02487511510606]
  因果的介入は、do-calculusの規則の下で公理化される。 我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。 また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
  論文  参考訳（メタデータ） (2023-05-08T06:07:42Z)
• Linking a predictive model to causal effect estimation [21.869233469885856]
  本稿では、まず、ある事例における結果に対する特徴(治療としての)の因果効果を推定する挑戦に取り組む。 理論的結果は、予測モデルを因果効果推定に自然に関連付け、予測モデルが因果的解釈可能であることを示唆する。 本稿では, 種々の予測モデルを用いて, 条件を満たす場合, 特徴の因果効果を, 最先端の因果効果推定法と同じくらい正確に推定できることを実証する。
  論文  参考訳（メタデータ） (2023-04-10T13:08:16Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。