論文の概要: Causal Representation Learning from Multiple Distributions: A General
Setting
- arxiv url: http://arxiv.org/abs/2402.05052v1
- Date: Wed, 7 Feb 2024 17:51:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 14:15:35.473971
- Title: Causal Representation Learning from Multiple Distributions: A General
Setting
- Title（参考訳）: 複数の分布から学ぶ因果表現--一般的な設定
- Authors: Kun Zhang, Shaoan Xie, Ignavier Ng, Yujia Zheng
- Abstract要約: 本稿では,複数の分布からの因果表現学習の一般的,完全に非パラメトリックな設定について述べる。
本研究は、潜在変数上のグラフの空間的制約の下で、基礎となる有向非巡回グラフのモラル化グラフを復元可能であることを示す。
場合によっては、各潜伏変数はコンポーネントワイド変換まで復元できる。
- 参考スコア（独自算出の注目度）: 23.739425749976082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many problems, the measured variables (e.g., image pixels) are just
mathematical functions of the hidden causal variables (e.g., the underlying
concepts or objects). For the purpose of making predictions in changing
environments or making proper changes to the system, it is helpful to recover
the hidden causal variables $Z_i$ and their causal relations represented by
graph $\mathcal{G}_Z$. This problem has recently been known as causal
representation learning. This paper is concerned with a general, completely
nonparametric setting of causal representation learning from multiple
distributions (arising from heterogeneous data or nonstationary time series),
without assuming hard interventions behind distribution changes. We aim to
develop general solutions in this fundamental case; as a by product, this helps
see the unique benefit offered by other assumptions such as parametric causal
models or hard interventions. We show that under the sparsity constraint on the
recovered graph over the latent variables and suitable sufficient change
conditions on the causal influences, interestingly, one can recover the
moralized graph of the underlying directed acyclic graph, and the recovered
latent variables and their relations are related to the underlying causal model
in a specific, nontrivial way. In some cases, each latent variable can even be
recovered up to component-wise transformations. Experimental results verify our
theoretical claims.
- Abstract（参考訳）: 多くの問題において、測定された変数(例えば画像ピクセル)は隠れた因果変数(例えば、基礎となる概念や対象)の数学的関数である。
環境の変化を予測したり、システムに適切な変更を加えるためには、隠れた因果変数$Z_i$とその因果関係をグラフ$\mathcal{G}_Z$で表すのに役立つ。
この問題は近年、因果表現学習として知られている。
本稿では,複数分布(異種データや非定常時系列など)からの因果表現学習の一般的な非パラメトリックな設定について,分布変化の背景にあるハード介入を仮定することなく検討する。
製品として、パラメトリック因果モデルやハード介入といった他の仮定によってもたらされる独特な利点を見出すのに役立ちます。
潜在変数に対する回復グラフのスパーシティ制約と、因果影響に対する適切な変化条件の下では、基礎となる有向非巡回グラフのモラル化グラフを回復することができ、回復した潜在変数とその関係は、特定の非自明な方法で基礎となる因果モデルと関連していることを示す。
場合によっては、各潜在変数をコンポーネント毎の変換まで復元することも可能である。
実験結果は理論的な主張を検証する。
関連論文リスト
- Linear causal disentanglement via higher-order cumulants [0.0]
複数の文脈におけるデータへのアクセスを前提として,線形因果不整合の識別可能性について検討した。
各潜伏変数に対する1つの完全な介入が十分であり、完全な介入の下でパラメータを復元するのに必要となる最悪の場合を示す。
論文 参考訳（メタデータ） (2024-07-05T15:53:16Z) - Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse
Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。
本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。
学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文 参考訳（メタデータ） (2024-01-10T02:38:21Z) - 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) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳（メタデータ） (2023-06-08T09:40:28Z) - 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) - Entropic Inequality Constraints from $e$-separation Relations in
Directed Acyclic Graphs with Hidden Variables [8.242194776558895]
情報伝達の因果経路に沿った変数の容量はエントロピーによって制限されていることを示す。
本稿では,最小媒介エントロピーと呼ばれる因果影響の尺度を提案し,平均因果効果などの従来の尺度を拡大できることを実証する。
論文 参考訳（メタデータ） (2021-07-15T02:43:33Z) - Learning latent causal graphs via mixture oracles [40.71943453524747]
本研究では,潜伏変数が存在するデータから因果グラフモデルを再構成する問題について検討する。
主な関心事は、潜伏変数上の因果構造を回復し、変数間の一般に、潜在的に非線形な依存を可能にすることである。
論文 参考訳（メタデータ） (2021-06-29T16:53:34Z) - 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 Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z)
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。