論文の概要: Parameter identification in linear non-Gaussian causal models under general confounding

• arxiv url: http://arxiv.org/abs/2405.20856v1
• Date: Fri, 31 May 2024 14:39:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 14:18:09.493456
• Title: Parameter identification in linear non-Gaussian causal models under general confounding
• Title（参考訳）: 一般共役下における線形非ガウス因果モデルにおけるパラメータ同定
• Authors: Daniele Tramontano, Mathias Drton, Jalal Etesami,
• Abstract要約: このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。 我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。 同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
• 参考スコア（独自算出の注目度）: 8.273471398838533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Linear non-Gaussian causal models postulate that each random variable is a linear function of parent variables and non-Gaussian exogenous error terms. We study identification of the linear coefficients when such models contain latent variables. Our focus is on the commonly studied acyclic setting, where each model corresponds to a directed acyclic graph (DAG). For this case, prior literature has demonstrated that connections to overcomplete independent component analysis yield effective criteria to decide parameter identifiability in latent variable models. However, this connection is based on the assumption that the observed variables linearly depend on the latent variables. Departing from this assumption, we treat models that allow for arbitrary non-linear latent confounding. Our main result is a graphical criterion that is necessary and sufficient for deciding the generic identifiability of direct causal effects. Moreover, we provide an algorithmic implementation of the criterion with a run time that is polynomial in the number of observed variables. Finally, we report on estimation heuristics based on the identification result, explore a generalization to models with feedback loops, and provide new results on the identifiability of the causal graph.
• Abstract（参考訳）: 線形非ガウス因果モデル(英語版)は、各確率変数が親変数と非ガウス外生誤差項の線型関数であることを仮定する。 このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。 我々の焦点は、各モデルが有向非巡回グラフ(DAG)に対応する、よく研究されている非巡回的な設定である。 この場合、先行研究は、過剰完全独立成分分析への接続が潜在変数モデルにおけるパラメータ識別可能性を決定する効果的な基準をもたらすことを示した。 しかし、この接続は、観測された変数が潜在変数に線形に依存するという仮定に基づいている。 この仮定とは別に、任意の非線形潜在共起が可能なモデルを扱う。 我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。 さらに,観測変数数の多項式である実行時間を用いて,評価基準のアルゴリズムによる実装を行う。 最後に、同定結果に基づく推定ヒューリスティックスについて報告し、フィードバックループを持つモデルへの一般化を探求し、因果グラフの識別可能性に関する新たな結果を提供する。

関連論文リスト

• On the Parameter Identifiability of Partially Observed Linear Causal Models [23.08796869216895]
  因果構造と部分的に観察されたデータからエッジ係数を復元できるかどうかを検討する。 部分的に観察された線形因果モデルにおいて,パラメータの非決定性は3種類ある。 本稿では,潜伏変数の分散不確定性に特定の方法で対処する,確率に基づくパラメータ推定手法を提案する。
  論文  参考訳（メタデータ） (2024-07-24T03:43:55Z)
• Linear causal disentanglement via higher-order cumulants [0.0]
  複数の文脈におけるデータへのアクセスを前提として,線形因果不整合の識別可能性について検討した。 各潜伏変数に対する1つの完全な介入が十分であり、完全な介入の下でパラメータを復元するのに必要となる最悪の場合を示す。
  論文  参考訳（メタデータ） (2024-07-05T15:53:16Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
  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)
• 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)
• Identifiability of latent-variable and structural-equation models: from linear to nonlinear [2.159277717031637]
  因子分析において、(最近)変数の非ガウス性は識別可能性をもたらすことが示されている。 最近では、そのようなモデルの一般の非非線形バージョンでさえ、どのように見積もることができるかが示されている。
  論文  参考訳（メタデータ） (2023-02-06T10:21:21Z)
• Linear Causal Disentanglement via Interventions [8.444187296409051]
  因果解離は因果モデルを通して相互に関連する潜伏変数を含むデータの表現を求める。 線形潜在因果モデルの線形変換である観測変数について検討した。
  論文  参考訳（メタデータ） (2022-11-29T18:43:42Z)
• Weight-variant Latent Causal Models [79.79711624326299]
  因果表現学習は、低レベルの観測の背後にある潜伏した高レベルの因果変数を明らかにする。 本研究では,潜伏因果変数の同定に焦点をあてる。 推移性は潜伏因果変数の識別性を著しく阻害することを示す。 本稿では,潜時因果変数を直接学習する構造式caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• 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)

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。