論文の概要: Dynamical causality under invisible confounders

• arxiv url: http://arxiv.org/abs/2408.05584v1
• Date: Sat, 10 Aug 2024 15:32:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 18:12:01.011854
• Title: Dynamical causality under invisible confounders
• Title（参考訳）: 目に見えない共同創設者の動的因果性
• Authors: Jinling Yan, Shao-Wu Zhang, Chihao Zhang, Weitian Huang, Jifan Shi, Luonan Chen,
• Abstract要約: 因果推論は、複雑なシステムにおける実質的な共同設立者のために、因果関係を刺激的に引き起こす傾向がある。 本研究では,このような課題を克服し,目に見えない共同設立者の下で動的因果性を推定する手法を提案する。 我々のCIC法の中核は、観測された変数を元の空間ではなく、共通の部分空間とプライベート部分空間にそれぞれ遅延埋め込む能力にある。
• 参考スコア（独自算出の注目度）: 3.07405766554422
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causality inference is prone to spurious causal interactions, due to the substantial confounders in a complex system. While many existing methods based on the statistical methods or dynamical methods attempt to address misidentification challenges, there remains a notable lack of effective methods to infer causality, in particular in the presence of invisible/unobservable confounders. As a result, accurately inferring causation with invisible confounders remains a largely unexplored and outstanding issue in data science and AI fields. In this work, we propose a method to overcome such challenges to infer dynamical causality under invisible confounders (CIC method) and further reconstruct the invisible confounders from time-series data by developing an orthogonal decomposition theorem in a delay embedding space. The core of our CIC method lies in its ability to decompose the observed variables not in their original space but in their delay embedding space into the common and private subspaces respectively, thereby quantifying causality between those variables both theoretically and computationally. This theoretical foundation ensures the causal detection for any high-dimensional system even with only two observed variables under many invisible confounders, which is actually a long-standing problem in the field. In addition to the invisible confounder problem, such a decomposition actually makes the intertwined variables separable in the embedding space, thus also solving the non-separability problem of causal inference. Extensive validation of the CIC method is carried out using various real datasets, and the experimental results demonstrates its effectiveness to reconstruct real biological networks even with unobserved confounders.
• Abstract（参考訳）: 因果推論は、複雑なシステムにおける実質的な共同設立者のために、因果関係を刺激的に引き起こす傾向がある。 統計的手法や動的手法に基づく多くの既存の手法は、誤同定の課題に対処しようとするが、因果関係を推測する効果的な方法が、特に目に見えない、観測不能な共同設立者の存在下では、依然として欠如している。 その結果、目に見えない共同設立者との因果関係を正確に推測することは、データサイエンスとAI分野において、ほとんど未解決で未解決の課題である。 本研究では,このような課題を克服して,目に見えない共同設立者(CIC)の下で動的因果関係を推定し,さらに遅延埋め込み空間において直交分解定理を開発することにより,時系列データから見えない共同設立者を再構築する手法を提案する。 我々のCIC法の中核は、観測された変数を元の空間ではなく、それらの遅延埋め込み空間をそれぞれ共通部分空間とプライベート部分空間に分解する能力にあるので、それらの変数間の因果関係を理論的にも計算的に定量化することができる。 この理論の基礎は、多くの目に見えない共同設立者の下で2つの観測変数しか持たない高次元システムの因果検出を保証する。 目に見えない共同設立問題に加えて、そのような分解は、実際に埋め込み空間において中間変数を分離可能とし、因果推論の非分離性問題を解く。 種々の実データを用いてCIC手法の大規模検証を行い, 実験結果から, 保存されていない共同設立者であっても, 実際の生物学的ネットワークを再構築する効果が示された。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• 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)
• Causal Deep Learning [77.49632479298745]
  因果性は、現実世界の問題を解決する方法を変える可能性がある。 しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。 我々は、因果性に関する新しい考え方を提案します。
  論文  参考訳（メタデータ） (2023-03-03T19:19:18Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Causal Discovery from Conditionally Stationary Time Series [18.645887749731923]
  State-Dependent Causal Inference (SDCI)は根底にある因果関係を回復することができる。 NBA選手の動きをモデル化した非因果RNNよりも改善した結果,本手法の可能性が示された。
  論文  参考訳（メタデータ） (2021-10-12T18:12:57Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• 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)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)
• Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders [6.1221613913018675]
  本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。 RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
  論文  参考訳（メタデータ） (2020-01-13T12:55:47Z)

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。