論文の概要: Do Finetti: On Causal Effects for Exchangeable Data

• arxiv url: http://arxiv.org/abs/2405.18836v1
• Date: Wed, 29 May 2024 07:31:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 18:28:55.376952
• Title: Do Finetti: On Causal Effects for Exchangeable Data
• Title（参考訳）: Do Finetti: 交換可能なデータに対する因果効果について
• Authors: Siyuan Guo, Chi Zhang, Karthika Mohan, Ferenc Huszár, Bernhard Schölkopf,
• Abstract要約: データをi.i.d.に含まない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
• 参考スコア（独自算出の注目度）: 45.96632286841583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study causal effect estimation in a setting where the data are not i.i.d. (independent and identically distributed). We focus on exchangeable data satisfying an assumption of independent causal mechanisms. Traditional causal effect estimation frameworks, e.g., relying on structural causal models and do-calculus, are typically limited to i.i.d. data and do not extend to more general exchangeable generative processes, which naturally arise in multi-environment data. To address this gap, we develop a generalized framework for exchangeable data and introduce a truncated factorization formula that facilitates both the identification and estimation of causal effects in our setting. To illustrate potential applications, we introduce a causal P\'olya urn model and demonstrate how intervention propagates effects in exchangeable data settings. Finally, we develop an algorithm that performs simultaneous causal discovery and effect estimation given multi-environment data.
• Abstract（参考訳）: データをi.d.d.(独立で同一の分散)でない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。 従来の因果効果推定フレームワーク(例:構造因果モデルとdo-calculus)は、通常、i.d.データに制限され、複数の環境データに自然に発生する、より一般的な交換可能な生成プロセスに拡張されない。 このギャップに対処するために、我々は、交換可能なデータのための一般化されたフレームワークを開発し、我々の設定における因果効果の同定と推定を容易にする、切り離された因果分解公式を導入する。 潜在的な応用を説明するために、我々は因果的P\'olya urnモデルを導入し、介入が交換可能なデータ設定においてどのように影響を伝播するかを示す。 最後に,マルチ環境データから因果探索と効果推定を同時に行うアルゴリズムを開発した。

関連論文リスト

• DAG-aware Transformer for Causal Effect Estimation [0.8192907805418583]
  因果推論は、医療、経済学、社会科学などの分野における重要な課題である。 本稿では,これらの課題を克服する因果推論のためのトランスフォーマーを用いた新しい手法を提案する。 我々のモデルの中核となる革新は、注意機構に直接因果非巡回グラフ(DAG)を統合することである。
  論文  参考訳（メタデータ） (2024-10-13T23:17:58Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Disentangle Estimation of Causal Effects from Cross-Silo Data [14.684584362172666]
  本稿では,モデルパラメータのシームレスなクロスサイロ伝送を容易にするために設計された,革新的なアンタングルアーキテクチャを提案する。 種々の欠落領域におけるバイアスを効果的に緩和するために,グローバルな制約を方程式に導入する。 我々の手法は最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-01-04T09:05:37Z)
• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• 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)
• 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)
• Federated Estimation of Causal Effects from Observational Data [19.657789891394504]
  フェデレートされたデータソースを用いた因果推論のための新しいフレームワークを提案する。 我々は、異なるプライベートデータソースからの局所因果効果を中央集権化せずに評価し、統合する。
  論文  参考訳（メタデータ） (2021-05-31T08:06:00Z)
• Multi-Source Causal Inference Using Control Variates [81.57072928775509]
  本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。 理論的には、これはATE推定値の分散を減少させる。 このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
  論文  参考訳（メタデータ） (2021-03-30T21:20:51Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Estimating Causal Effects with the Neural Autoregressive Density Estimator [6.59529078336196]
  我々は、Pearlのdo-calculusフレームワーク内の因果効果を推定するために、神経自己回帰密度推定器を使用する。 本手法は,変数間の相互作用を明示的にモデル化することなく,非線形システムから因果効果を抽出できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T13:12:38Z)

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。