論文の概要: Lifted Causal Inference in Relational Domains

• arxiv url: http://arxiv.org/abs/2403.10184v1
• Date: Fri, 15 Mar 2024 10:44:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 17:40:24.160197
• Title: Lifted Causal Inference in Relational Domains
• Title（参考訳）: リレーショナルドメインにおけるリフテッド因果推論
• Authors: Malte Luttermann, Mattis Hartwig, Tanya Braun, Ralf Möller, Marcel Gehrke,
• Abstract要約: 関係領域における因果効果を効率的に計算するために,昇降法が適用可能であることを示す。 本稿では,昇降レベルの因果効果を計算するために,昇降因果推論アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.170468311431656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lifted inference exploits symmetries in probabilistic graphical models by using a representative for indistinguishable objects, thereby speeding up query answering while maintaining exact answers. Even though lifting is a well-established technique for the task of probabilistic inference in relational domains, it has not yet been applied to the task of causal inference. In this paper, we show how lifting can be applied to efficiently compute causal effects in relational domains. More specifically, we introduce parametric causal factor graphs as an extension of parametric factor graphs incorporating causal knowledge and give a formal semantics of interventions therein. We further present the lifted causal inference algorithm to compute causal effects on a lifted level, thereby drastically speeding up causal inference compared to propositional inference, e.g., in causal Bayesian networks. In our empirical evaluation, we demonstrate the effectiveness of our approach.
• Abstract（参考訳）: Lifted Inferenceは確率的グラフィカルモデルの対称性を利用して、不明瞭なオブジェクトの表現を使い、正確な答えを維持しながらクエリ応答を高速化する。 昇降は関係領域における確率的推論のタスクに対して確立された手法であるが、因果推論のタスクにはまだ適用されていない。 本稿では,リレーショナルドメインの因果効果を効率的に計算するために,リフトの適用方法を示す。 具体的には、因果知識を取り入れたパラメトリック因子グラフの拡張としてパラメトリック因果因子グラフを導入し、介入の形式的意味論を与える。 さらに,昇降レベルの因果効果を計算するために,昇降因果推論アルゴリズムを提案し,因果ベイズネットワークにおける因果推論よりも格段に因果推論を高速化する。 経験的評価では、我々のアプローチの有効性を実証する。

関連論文リスト

• Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs [4.647149336191891]
  部分有向グラフにおける因果推論に対して昇降が適用可能であることを示す。 本研究では,部分有向因果係数グラフにおいて,因果推論が昇降レベルでどのように行われるかを示す。
  論文  参考訳（メタデータ） (2024-11-11T14:05:39Z)
• An Overview of Causal Inference using Kernel Embeddings [14.298666697532838]
  カーネル埋め込みは、様々な統計的推論問題における確率測度を表現する強力なツールとして登場した。 主な課題は、因果関係を特定し、観測データから平均的な治療効果を推定することである。
  論文  参考訳（メタデータ） (2024-10-30T07:23:34Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
  本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。 本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。 両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
  論文  参考訳（メタデータ） (2024-02-01T14:39:59Z)
• 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)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Causal Inference Using Tractable Circuits [11.358487655918676]
  従来, 因果関係が不明であったモデルに対しては, 因果関係が不明であった場合の確率論的推論が可能であることを示す。 これは、因果機構を計算的に活用できる新しい手法によって実現されているが、それらのアイデンティティを知る必要はない。 我々のゴールは、これらの新しい結果に因果性指向の露出を提供することであり、それらがよりスケーラブルで多目的な因果推論にどのように貢献するかを推測することである。
  論文  参考訳（メタデータ） (2022-02-07T00:09:39Z)
• 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)
• Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
  影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。 本稿では,理論的観点から,そのような手法の性能について考察する。 交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-03T15:33:10Z)

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。