論文の概要: On the Parameter Identifiability of Partially Observed Linear Causal Models

• arxiv url: http://arxiv.org/abs/2407.16975v1
• Date: Wed, 24 Jul 2024 03:43:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 14:53:14.759477
• Title: On the Parameter Identifiability of Partially Observed Linear Causal Models
• Title（参考訳）: 部分観測された線形因果モデルのパラメータ同定可能性について
• Authors: Xinshuai Dong, Ignavier Ng, Biwei Huang, Yuewen Sun, Songyao Jin, Roberto Legaspi, Peter Spirtes, Kun Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.08796869216895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Linear causal models are important tools for modeling causal dependencies and yet in practice, only a subset of the variables can be observed. In this paper, we examine the parameter identifiability of these models by investigating whether the edge coefficients can be recovered given the causal structure and partially observed data. Our setting is more general than that of prior research - we allow all variables, including both observed and latent ones, to be flexibly related, and we consider the coefficients of all edges, whereas most existing works focus only on the edges between observed variables. Theoretically, we identify three types of indeterminacy for the parameters in partially observed linear causal models. We then provide graphical conditions that are sufficient for all parameters to be identifiable and show that some of them are provably necessary. Methodologically, we propose a novel likelihood-based parameter estimation method that addresses the variance indeterminacy of latent variables in a specific way and can asymptotically recover the underlying parameters up to trivial indeterminacy. Empirical studies on both synthetic and real-world datasets validate our identifiability theory and the effectiveness of the proposed method in the finite-sample regime.
• Abstract（参考訳）: 線形因果モデルは因果関係をモデル化するための重要なツールであるが、実際には変数のサブセットしか観察できない。 本稿では,これらのモデルのパラメータ識別性について,因果構造と部分的に観測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証して検討する。 我々の設定は以前の研究よりも一般的であり、観測された変数と潜伏変数の両方を含む全ての変数が柔軟に関連付けられ、全てのエッジの係数を考えるが、既存の研究は観測された変数間のエッジのみに焦点を当てている。 理論的には、部分的に観察された線形因果モデルにおけるパラメータの3種類の不確定性を同定する。 次に、すべてのパラメータを識別するのに十分なグラフィカルな条件を提供し、それらのうちいくつかは確実に必要であることを示す。 提案手法は,特定の方法で潜伏変数の分散不確定性に対処し,基本パラメータを自明な不確定性まで漸近的に回復することのできる,新しい確率に基づくパラメータ推定手法を提案する。 合成および実世界の両方のデータセットに関する実証的研究は、我々の識別可能性理論と有限サンプル法における提案手法の有効性を検証した。

関連論文リスト

• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
  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。
  論文  参考訳（メタデータ） (2024-05-31T14:39:14Z)
• 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)
• Parameter Estimation in DAGs from Incomplete Data via Optimal Transport [24.740382124473975]
  我々は、理論的な枠組みを開発し、我々のアプローチの堅牢性と汎用性を示す広範な実証的な証拠でそれを支援する。 提案手法は, 地中構造パラメータを効果的に復元するだけでなく, 下流アプリケーション上でのベースラインの競合よりも, 比較可能か, あるいは優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-25T10:54:36Z)
• 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)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• 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)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics [85.31247588089686]
  変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。 ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
  論文  参考訳（メタデータ） (2021-07-08T03:40:18Z)

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。