論文の概要: Causal Effect Identification in a Sub-Population with Latent Variables

• arxiv url: http://arxiv.org/abs/2405.14547v1
• Date: Thu, 23 May 2024 13:25:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 15:05:17.827682
• Title: Causal Effect Identification in a Sub-Population with Latent Variables
• Title（参考訳）: 潜伏変数を持つサブポピュレーションにおける因果効果の同定
• Authors: Amir Mohammad Abouei, Ehsan Mokhtarian, Negar Kiyavash, Matthias Grossglauser,
• Abstract要約: s-ID問題は、同じサブ集団に関する観測データから、特定のサブ集団における因果効果を計算しようとする。 本稿では,潜伏変数の存在を許容するs-ID問題の拡張について考察する。 潜伏変数を持つs-ID問題に対する音響アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 22.75558589075695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The s-ID problem seeks to compute a causal effect in a specific sub-population from the observational data pertaining to the same sub population (Abouei et al., 2023). This problem has been addressed when all the variables in the system are observable. In this paper, we consider an extension of the s-ID problem that allows for the presence of latent variables. To tackle the challenges induced by the presence of latent variables in a sub-population, we first extend the classical relevant graphical definitions, such as c-components and Hedges, initially defined for the so-called ID problem (Pearl, 1995; Tian & Pearl, 2002), to their new counterparts. Subsequently, we propose a sound algorithm for the s-ID problem with latent variables.
• Abstract（参考訳）: s-ID問題は、同じサブ集団に関する観測データから特定のサブ集団における因果効果を計算しようとする(Abouei et al , 2023)。 この問題は、システム内のすべての変数が観測可能である場合に対処されている。 本稿では,潜伏変数の存在を許容するs-ID問題の拡張について考察する。 サブポピュレーションにおける潜伏変数の存在によって引き起こされる課題に対処するために、我々はまず、c-components や Hedges といった古典的なグラフィカルな定義を、当初はいわゆる ID 問題 (Pearl, 1995; Tian & Pearl, 2002) に拡張する。 次に,潜伏変数を持つs-ID問題に対する音響アルゴリズムを提案する。

関連論文リスト

• 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)
• 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)
• s-ID: Causal Effect Identification in a Sub-Population [23.221279036710012]
  サブポピュレーション(s-ID)における因果推論問題の導入と提唱 サブ人口における既存の推論問題は、与えられたデータが全人口に由来するという前提で機能する。 我々は,そのサブポピュレーションの観察分布から同定可能なサブポピュレーションにおける因果効果を因果グラフに保持しなければならない必要十分条件を提供する。
  論文  参考訳（メタデータ） (2023-09-05T14:43:10Z)
• On Identifiability of Conditional Causal Effects [24.95216517499459]
  因果グラフと、$Q[S]:=P(S|do(Vsetminus S))$の形の観察的および/または介入的分布の集合の両方が与えられた任意の条件因果効果の識別可能性の問題に対処する。 この問題を条件付き一般化識別可能性(c-gID、略してc-gID)と呼び、C-gID問題に対するPearlの$do$-calculusの完全性を証明する。
  論文  参考訳（メタデータ） (2023-06-19T14:38:06Z)
• 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)
• Posterior Collapse and Latent Variable Non-identifiability [54.842098835445]
  柔軟性を犠牲にすることなく識別性を強制する深層生成モデルである,潜時同定可能な変分オートエンコーダのクラスを提案する。 合成および実データ全体にわたって、潜在識別可能な変分オートエンコーダは、後方崩壊を緩和し、データの有意義な表現を提供する既存の方法より優れている。
  論文  参考訳（メタデータ） (2023-01-02T06:16:56Z)
• Towards Generalizable Person Re-identification with a Bi-stream Generative Model [81.0989316825134]
  そこで我々は,BGM (Bi-stream Generative Model) を提案する。 提案手法は,大規模な一般化可能なre-IDベンチマークにおいて,最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-06-19T09:18:25Z)
• Revisiting the General Identifiability Problem [22.201414668050123]
  我々は, [Lee et al., 2019] で最初に導入された一般識別可能性の問題を再考し, 因果推論を行った。 このような仮定がなければ、[Lee et al., 2019] における do-calculus の規則と、従って提案されたアルゴリズムは正しくないことが示される。
  論文  参考訳（メタデータ） (2022-06-02T15:07:25Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Obtaining Causal Information by Merging Datasets with MAXENT [12.64433334351049]
  我々は,すべての変数を共同で観察することなく,因果的知識の獲得方法について論じる。 共同創設者の存在下での対象変数に対する治療の介入分布と平均因果効果の限界を導出する。
  論文  参考訳（メタデータ） (2021-07-15T23:16:36Z)
• 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)

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。