論文の概要: Local Causal Discovery with Linear non-Gaussian Cyclic Models

• arxiv url: http://arxiv.org/abs/2403.14843v1
• Date: Thu, 21 Mar 2024 21:27:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 19:06:46.526434
• Title: Local Causal Discovery with Linear non-Gaussian Cyclic Models
• Title（参考訳）: 線形非ガウスサイクルモデルによる局所因果発見
• Authors: Haoyue Dai, Ignavier Ng, Yujia Zheng, Zhengqing Gao, Kun Zhang,
• Abstract要約: 線形非ガウスモデルを用いた一般化された局所因果探索法を提案する。 我々の識別可能性は、人工と実世界の両方のデータセットを用いて実証的に検証される。
• 参考スコア（独自算出の注目度）: 17.59924947011467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local causal discovery is of great practical significance, as there are often situations where the discovery of the global causal structure is unnecessary, and the interest lies solely on a single target variable. Most existing local methods utilize conditional independence relations, providing only a partially directed graph, and assume acyclicity for the ground-truth structure, even though real-world scenarios often involve cycles like feedback mechanisms. In this work, we present a general, unified local causal discovery method with linear non-Gaussian models, whether they are cyclic or acyclic. We extend the application of independent component analysis from the global context to independent subspace analysis, enabling the exact identification of the equivalent local directed structures and causal strengths from the Markov blanket of the target variable. We also propose an alternative regression-based method in the particular acyclic scenarios. Our identifiability results are empirically validated using both synthetic and real-world datasets.
• Abstract（参考訳）: 局所因果関係の発見は、大域因果関係の発見が不要な状況がしばしばあり、その関心は単一の対象変数にのみ依存する。 既存のほとんどの局所的な手法は条件付き独立関係を利用し、部分的に向き付けられたグラフのみを提供し、実世界のシナリオではフィードバック機構のようなサイクルが伴うにもかかわらず、基底構造に対する非周期性を仮定する。 本研究では, 線形非ガウスモデルを用いた一般化された局所因果探索法を提案する。 我々は,グローバルコンテキストから独立部分空間解析への独立成分分析の適用を拡大し,対象変数のマルコフ毛布から等価局所指向構造と因果強度の正確な同定を可能にする。 また, 特定の非循環シナリオにおいて, 回帰に基づく代替手法を提案する。 我々の識別可能性は、人工と実世界の両方のデータセットを用いて実証的に検証される。

関連論文リスト

• Model agnostic local variable importance for locally dependent relationships [2.3374134413353254]
  局所変数の重要度を計算するためのモデルに依存しない新しい手法であるCLIQUEを提案する。 変数が応答に影響しない領域において,CLIQUEは局所的依存情報を強調し,バイアスを適切に低減することを示す。
  論文  参考訳（メタデータ） (2024-11-13T17:59:44Z)
• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Local Causal Structure Learning in the Presence of Latent Variables [16.88791886307876]
  本稿では,変数がターゲットの直接的な原因や効果であるかどうかを判定する原理的手法を提案する。 実世界の合成データと実世界のデータによる実験結果から,本手法の有効性と有効性について検証した。
  論文  参考訳（メタデータ） (2024-05-25T13:31:05Z)
• Structural restrictions in local causal discovery: identifying direct causes of a target variable [0.9208007322096533]
  観測的関節分布から対象変数の直接的な原因の集合を学ぶことは、科学の基本的な問題である。 ここでは、完全なDAGではなく、1つのターゲット変数の直接的な原因を特定することにのみ関心があります。 これにより、識別可能性の仮定を緩和し、より高速で堅牢なアルゴリズムを開発することができる。
  論文  参考訳（メタデータ） (2023-07-29T18:31:35Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• A Local Method for Identifying Causal Relations under Markov Equivalence [7.904790547594697]
  因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。 有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるか否かを局所的に特定する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T05:01:44Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• 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)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。