論文の概要: Standardizing Structural Causal Models

• arxiv url: http://arxiv.org/abs/2406.11601v1
• Date: Mon, 17 Jun 2024 14:52:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 14:22:35.859440
• Title: Standardizing Structural Causal Models
• Title（参考訳）: 構造因果モデルの標準化
• Authors: Weronika Ormaniec, Scott Sussex, Lars Lorch, Bernhard Schölkopf, Andreas Krause,
• Abstract要約: ベンチマークアルゴリズムのための内部標準構造因果モデル(iSCM)を提案する。 構成上、iSCMは$operatornameVar$-sortableではなく、実験的に示すように、$operatornameR2$-sortableではない。
• 参考スコア（独自算出の注目度）: 80.21199731817698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic datasets generated by structural causal models (SCMs) are commonly used for benchmarking causal structure learning algorithms. However, the variances and pairwise correlations in SCM data tend to increase along the causal ordering. Several popular algorithms exploit these artifacts, possibly leading to conclusions that do not generalize to real-world settings. Existing metrics like $\operatorname{Var}$-sortability and $\operatorname{R^2}$-sortability quantify these patterns, but they do not provide tools to remedy them. To address this, we propose internally-standardized structural causal models (iSCMs), a modification of SCMs that introduces a standardization operation at each variable during the generative process. By construction, iSCMs are not $\operatorname{Var}$-sortable, and as we show experimentally, not $\operatorname{R^2}$-sortable either for commonly-used graph families. Moreover, contrary to the post-hoc standardization of data generated by standard SCMs, we prove that linear iSCMs are less identifiable from prior knowledge on the weights and do not collapse to deterministic relationships in large systems, which may make iSCMs a useful model in causal inference beyond the benchmarking problem studied here.
• Abstract（参考訳）: 構造因果モデル(SCM)によって生成される合成データセットは、因果構造学習アルゴリズムのベンチマークに一般的に使用される。 しかし、SCMデータのばらつきとペアの相関は因果順序に沿って増加する傾向にある。 いくつかの一般的なアルゴリズムはこれらのアーティファクトを利用しており、おそらく現実世界の設定を一般化しない結論に繋がる。 $\operatorname{Var}$-sortability や $\operatorname{R^2}$-sortability のような既存のメトリクスはこれらのパターンを定量化するが、それらを改善するツールを提供していない。 そこで本研究では,SCMを改良した内部標準構造因果モデル (iSCM) を提案する。 構成上、iSCMは$\operatorname{Var}$-sortableではなく、実験的に示すように、$\operatorname{R^2}$-sortableではない。 さらに、標準SCMが生成したデータのポストホックな標準化とは対照的に、線形iSCMは重みに関する事前の知識から識別されにくく、大規模システムにおける決定論的関係に崩壊しないことが証明され、ここで研究されるベンチマーク問題以外の因果推論において有用なモデルとなる可能性がある。

関連論文リスト

• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models [49.038420266408586]
  分散の増加による変数のソートは、しばしば因果順序に近い順序になることを示す。 本稿ではR2$-SortnRegressと呼ばれる,高いR2$-sortabilityを利用する効率的なベースラインアルゴリズムを提案する。 その結果,因果発見に関連するデータ生成プロセスの仮定として,R2$-sortabilityが高額であることが判明した。
  論文  参考訳（メタデータ） (2023-03-31T17:05:46Z)
• Representation Disentaglement via Regularization by Causal Identification [3.9160947065896803]
  本稿では,不整合表現学習における基礎となるデータ生成過程の仮定を記述するために,因果コライダー構造モデルを提案する。 そこで本研究では,大規模生成モデルの挙動を因果同定によって課される絡み合った制約に整合させるモジュール型正規化エンジンReIを提案する。
  論文  参考訳（メタデータ） (2023-02-28T23:18:54Z)
• Toward a Theory of Causation for Interpreting Neural Code Models [49.906221295459275]
  本稿では,ニューラルコードモデル(NCM)に特化したポストホック解釈法である$do_code$を紹介する。 $do_code$は、言語指向の説明を可能にする因果推論に基づいている。 その結果,NCMはコード構文の変化に敏感であることが判明した。
  論文  参考訳（メタデータ） (2023-02-07T22:56:58Z)
• Counterfactual (Non-)identifiability of Learned Structural Causal Models [10.102073937554488]
  我々は、観測データから反実的推論の非識別性について、実践者に警告する。 本稿では,学習したDSCMの予測結果の最悪のケースエラーを推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-22T00:58:14Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)

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。