論文の概要: Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding
- arxiv url: http://arxiv.org/abs/2408.04907v1
- Date: Fri, 9 Aug 2024 07:24:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 16:28:59.481639
- Title: Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding
- Title（参考訳）: 観測不能な凹凸を有する線形非ガウス因果モデルの因果発見
- Authors: Daniela Schkoda, Elina Robeva, Mathias Drton,
- Abstract要約: 我々は,線形非ガウス構造方程式モデルについて考察する。
この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
- 参考スコア（独自算出の注目度）: 1.6932009464531739
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider linear non-Gaussian structural equation models that involve latent confounding. In this setting, the causal structure is identifiable, but, in general, it is not possible to identify the specific causal effects. Instead, a finite number of different causal effects result in the same observational distribution. Most existing algorithms for identifying these causal effects use overcomplete independent component analysis (ICA), which often suffers from convergence to local optima. Furthermore, the number of latent variables must be known a priori. To address these issues, we propose an algorithm that operates recursively rather than using overcomplete ICA. The algorithm first infers a source, estimates the effect of the source and its latent parents on their descendants, and then eliminates their influence from the data. For both source identification and effect size estimation, we use rank conditions on matrices formed from higher-order cumulants. We prove asymptotic correctness under the mild assumption that locally, the number of latent variables never exceeds the number of observed variables. Simulation studies demonstrate that our method achieves comparable performance to overcomplete ICA even though it does not know the number of latents in advance.
- Abstract（参考訳）: 我々は,線形非ガウス構造方程式モデルについて考察する。
この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
代わりに、有限個の異なる因果効果が同じ観測分布をもたらす。
これらの因果効果を同定するアルゴリズムの多くは、過完全独立成分分析(ICA)を用いており、これはしばしば局所最適への収束に苦しむ。
さらに、潜伏変数の数は先行変数として知られなければならない。
これらの問題に対処するために,オーバーコンプリートICAを使わずに再帰的に動作するアルゴリズムを提案する。
アルゴリズムはまずソースを推測し、ソースとその親が子孫に与える影響を推定し、データから影響を排除します。
ソース同定と効果サイズ推定の両面で、高次累積から形成される行列のランク条件を用いる。
局所的に、潜伏変数の数が観測変数の数を超えることはないという軽微な仮定の下で漸近的正当性を証明する。
シミュレーション研究により, 先行する潜伏者の数を知らないにもかかわらず, オーバーコンプリートICAに匹敵する性能が得られた。
関連論文リスト
- A Versatile Causal Discovery Framework to Allow Causally-Related Hidden
Variables [28.51579090194802]
因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。
ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。
合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-12-18T07:57:39Z) - Structural restrictions in local causal discovery: identifying direct causes of a target variable [0.9208007322096533]
観測的関節分布から対象変数の直接的な原因の集合を学ぶことは、科学の基本的な問題である。
ここでは、完全なDAGではなく、1つのターゲット変数の直接的な原因を特定することにのみ関心があります。
これにより、識別可能性の仮定を緩和し、より高速で堅牢なアルゴリズムを開発することができる。
論文 参考訳（メタデータ） (2023-07-29T18:31:35Z) - 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) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - 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) - Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties
of Non-Gaussian Distributions [3.1981440103815717]
我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。
提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。
因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
論文 参考訳（メタデータ） (2021-06-02T09:33:05Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-28T11:07:59Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z)
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。