論文の概要: Causal Inference with Latent Variables: Recent Advances and Future Prospectives

• arxiv url: http://arxiv.org/abs/2406.13966v1
• Date: Thu, 20 Jun 2024 03:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 17:27:03.319268
• Title: Causal Inference with Latent Variables: Recent Advances and Future Prospectives
• Title（参考訳）: 潜伏変数による因果推論 : 最近の進歩と今後の展望
• Authors: Yaochen Zhu, Yinhan He, Jing Ma, Mengxuan Hu, Sheng Li, Jundong Li,
• Abstract要約: 因果推論(英: Causal inference、CI)は、興味のある変数間の固有の因果関係を推定することを目的としている。 重要な変数の観察の欠如は、CIメソッドの信頼性を著しく損なう。 これらの潜伏変数が不注意に扱われると、様々な結果が生じる。
• 参考スコア（独自算出の注目度）: 43.04559575298597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causality lays the foundation for the trajectory of our world. Causal inference (CI), which aims to infer intrinsic causal relations among variables of interest, has emerged as a crucial research topic. Nevertheless, the lack of observation of important variables (e.g., confounders, mediators, exogenous variables, etc.) severely compromises the reliability of CI methods. The issue may arise from the inherent difficulty in measuring the variables. Additionally, in observational studies where variables are passively recorded, certain covariates might be inadvertently omitted by the experimenter. Depending on the type of unobserved variables and the specific CI task, various consequences can be incurred if these latent variables are carelessly handled, such as biased estimation of causal effects, incomplete understanding of causal mechanisms, lack of individual-level causal consideration, etc. In this survey, we provide a comprehensive review of recent developments in CI with latent variables. We start by discussing traditional CI techniques when variables of interest are assumed to be fully observed. Afterward, under the taxonomy of circumvention and inference-based methods, we provide an in-depth discussion of various CI strategies to handle latent variables, covering the tasks of causal effect estimation, mediation analysis, counterfactual reasoning, and causal discovery. Furthermore, we generalize the discussion to graph data where interference among units may exist. Finally, we offer fresh aspects for further advancement of CI with latent variables, especially new opportunities in the era of large language models (LLMs).
• Abstract（参考訳）: 因果性は我々の世界の軌道の基礎を成している。 興味のある変数間の本質的な因果関係を推定することを目的とした因果推論(CI)が重要な研究トピックとして浮上している。 それでも重要な変数(例えば、共同設立者、仲介者、外因性変数など)の観察の欠如は、CIメソッドの信頼性を著しく損なう。 この問題は変数を測定するのに固有の困難から生じる可能性がある。 さらに、変数が受動的に記録される観察的研究では、ある共変体は実験者によって不注意に省略される可能性がある。 観測されていない変数の種類や特定のCIタスクに依存すると、これらの潜伏変数が不注意に扱われている場合、例えば、因果効果のバイアス付き推定、因果メカニズムの不完全な理解、個別レベルの因果的考慮の欠如など、様々な結果が発生する。 本調査では、潜伏変数を用いたCIにおける最近の開発状況を総合的にレビューする。 まず、関心のある変数が完全に観察されていると仮定した場合に、従来のCIテクニックについて議論する。 その後、回避法と推論に基づく手法の分類において、潜伏変数を扱うための様々なCI戦略について詳細な議論を行い、因果効果推定、媒介分析、反事実推論、因果発見のタスクについて論じる。 さらに,単位間の干渉が存在する可能性のあるグラフデータに対する議論を一般化する。 最後に、潜伏変数によるCIのさらなる進歩、特に大規模言語モデル(LLM)の時代における新たな機会について、新たな側面を提供する。

関連論文リスト

• Challenges in Variable Importance Ranking Under Correlation [6.718144470265263]
  本稿では,特徴相関が変数重要度評価に与える影響を総合シミュレーションで検討する。 ノックオフ変数と対応する予測変数の間には相関関係は常に存在しないが、相関関係が予測変数間の特定の相関しきい値を超えて線形に増加することを証明している。
  論文  参考訳（メタデータ） (2024-02-05T19:02:13Z)
• 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)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• 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)
• 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)
• 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)
• Discovery of Causal Additive Models in the Presence of Unobserved Variables [6.670414650224422]
  観測されていない変数に影響されたデータからの因果発見は、重要だが解決が難しい問題である。 本研究では,非観測変数に偏らされることなく理論的に同定可能なすべての因果関係を同定する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T03:28:27Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。