論文の概要: Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms

• arxiv url: http://arxiv.org/abs/2401.18017v1
• Date: Wed, 31 Jan 2024 17:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 13:38:48.271198
• Title: Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms
• Title（参考訳）: 不均一変換を用いたカーネル脱離対策による因果発見
• Authors: Tim Tse, Zhitang Chen, Shengyu Zhu, Yue Liu
• Abstract要約: 本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。
• 参考スコア（独自算出の注目度）: 17.368146833023893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of causal relationships in a set of random variables is a fundamental objective of science and has also recently been argued as being an essential component towards real machine intelligence. One class of causal discovery techniques are founded based on the argument that there are inherent structural asymmetries between the causal and anti-causal direction which could be leveraged in determining the direction of causation. To go about capturing these discrepancies between cause and effect remains to be a challenge and many current state-of-the-art algorithms propose to compare the norms of the kernel mean embeddings of the conditional distributions. In this work, we argue that such approaches based on RKHS embeddings are insufficient in capturing principal markers of cause-effect asymmetry involving higher-order structural variabilities of the conditional distributions. We propose Kernel Intrinsic Invariance Measure with Heterogeneous Transform (KIIM-HT) which introduces a novel score measure based on heterogeneous transformation of RKHS embeddings to extract relevant higher-order moments of the conditional densities for causal discovery. Inference is made via comparing the score of each hypothetical cause-effect direction. Tests and comparisons on a synthetic dataset, a two-dimensional synthetic dataset and the real-world benchmark dataset T\"ubingen Cause-Effect Pairs verify our approach. In addition, we conduct a sensitivity analysis to the regularization parameter to faithfully compare previous work to our method and an experiment with trials on varied hyperparameter values to showcase the robustness of our algorithm.
• Abstract（参考訳）: 確率変数の集合における因果関係の発見は科学の基本的な目的であり、最近は実際の機械知能にとって不可欠な要素であるとも主張されている。 因果発見手法の1つの類型は、因果方向と反因果方向の間には固有の構造的対称性があり、因果方向の決定に利用することができるという主張に基づいている。 原因と効果の相違を捉えることは依然として困難であり、現在の最先端のアルゴリズムでは、カーネルのノルムを条件分布の平均埋め込みと比較することを提案している。 本研究では, RKHS 埋め込みに基づく手法は, 条件分布の高次構造変数を含む原因効果非対称性の主マーカーを捉えるには不十分である,と論じる。 本研究では,rkhs埋め込みの異種変換に基づく新しいスコア尺度を導入し,因果関係発見のための条件付密度の関連する高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。 合成データセット、二次元合成データセット、実世界のベンチマークデータセットT\"ubingen cause-Effect Pairsでのテストと比較が、我々のアプローチを検証する。 また,本手法と従来の手法を忠実に比較するために,正規化パラメータに対する感度解析を行い,アルゴリズムの頑健性を示すために,超パラメータ値の変動実験を行った。

関連論文リスト

• A General Causal Inference Framework for Cross-Sectional Observational Data [0.4972323953932129]
  断面観測データに特化して設計された一般因果推論(GCI)フレームワーク。 本稿では,断面観測データを対象としたGCIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-28T14:26:27Z)
• Identification of Causal Structure with Latent Variables Based on Higher Order Cumulants [31.85295338809117]
  本稿では,潜伏変数の影響を受ける2つの変数間の因果エッジの存在を同定するための新しい手法を提案する。 このような因果エッジが流出した場合、因果方向を決定するための非対称性基準を導入する。
  論文  参考訳（メタデータ） (2023-12-19T08:20:19Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  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)
• Variation-based Cause Effect Identification [5.744133015573047]
  本稿では、因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。 我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズムの独立(ICM)の原理に依存している。 因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。
  論文  参考訳（メタデータ） (2022-11-22T05:19:12Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的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)
• 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)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Causal Inference in Geoscience and Remote Sensing from Observational Data [9.800027003240674]
  経験的データの有限集合を用いて、因果関係の正しい方向を推定する。 我々は28の地球科学因果推論問題の集合でパフォーマンスを示す。 この基準はあらゆるケースで最先端の検出率を達成するが、一般的にノイズ源や歪みに対して堅牢である。
  論文  参考訳（メタデータ） (2020-12-07T22:56:55Z)
• 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)
• Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders [6.1221613913018675]
  本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。 RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
  論文  参考訳（メタデータ） (2020-01-13T12:55:47Z)

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。