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
- Discrete Nonparametric Causal Discovery Under Latent Class Confounding [2.1749194587826026]
非巡回因果構造は、因果を示す矢印を持つ有向非巡回グラフ(DAG)を用いて記述することができる。
グローバルに構築された因果構造は、パラメトリックな仮定なしでも同定可能であることを示す。
論文 参考訳(メタデータ) (2023-11-13T16:35:34Z) - Structural restrictions in local causal discovery: identifying direct
causes of a target variable [0.0]
観測的関節分布から対象変数の直接的原因の集合を学習する問題を考察する。
有限個のランダムサンプルから直接原因を推定する2つの実用的なアルゴリズムを提案し,その有効性をいくつかのベンチマークデータセットで示す。
論文 参考訳(メタデータ) (2023-07-29T18:31:35Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳(メタデータ) (2022-10-01T09:04:17Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - 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) - Nonlinear Invariant Risk Minimization: A Causal Approach [5.63479133344366]
非線形環境下での分布外一般化を可能にする学習パラダイムを提案する。
我々は、非常に単純な変換までデータ表現の識別性を示す。
合成データと実世界のデータセットの両方に関する広範な実験は、我々のアプローチが様々なベースラインメソッドを大きく上回っていることを示している。
論文 参考訳(メタデータ) (2021-02-24T15:38:41Z) - Localisation in quasiperiodic chains: a theory based on convergence of
local propagators [68.8204255655161]
局所プロパゲータの収束に基づく準周期鎖に最も近いホッピングを持つ局所化の理論を提示する。
これらの連続分数の収束、局所化、あるいはその欠如を分析することは可能であり、それによって臨界点とモビリティエッジが帰結する。
結果は、振る舞いの範囲をカバーする3つの準周期モデルの理論を分析することで実証される。
論文 参考訳(メタデータ) (2021-02-18T16:19:52Z) - 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。