論文の概要: Estimating Joint interventional distributions from marginal interventional data

• arxiv url: http://arxiv.org/abs/2409.01794v1
• Date: Tue, 3 Sep 2024 11:18:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 01:47:58.207315
• Title: Estimating Joint interventional distributions from marginal interventional data
• Title（参考訳）: 差分介入データからの連関介入分布の推定
• Authors: Sergio Hernan Garrido Mejia, Elke Kirschbaum, Armin Kekić, Atalanti Mastakouri,
• Abstract要約: 我々は、最大エントロピー原理を用いて、すべての変数の連立条件分布を取得するために介入データを利用する方法を示す。 ラグランジュ双対性を用いて、介入制約を伴う因果最大エントロピー問題の解が指数族に属することを証明する。
• 参考スコア（独自算出の注目度）: 1.5416095780642964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we show how to exploit interventional data to acquire the joint conditional distribution of all the variables using the Maximum Entropy principle. To this end, we extend the Causal Maximum Entropy method to make use of interventional data in addition to observational data. Using Lagrange duality, we prove that the solution to the Causal Maximum Entropy problem with interventional constraints lies in the exponential family, as in the Maximum Entropy solution. Our method allows us to perform two tasks of interest when marginal interventional distributions are provided for any subset of the variables. First, we show how to perform causal feature selection from a mixture of observational and single-variable interventional data, and, second, how to infer joint interventional distributions. For the former task, we show on synthetically generated data, that our proposed method outperforms the state-of-the-art method on merging datasets, and yields comparable results to the KCI-test which requires access to joint observations of all variables.
• Abstract（参考訳）: 本稿では,最大エントロピー原理を用いて全変数の連立条件分布を取得するために介入データを利用する方法を示す。 この目的のために、観測データに加えて介入データを利用するために、Causal Maximum Entropy法を拡張した。 ラグランジュ双対性を用いて、干渉制約を伴う因果最大エントロピー問題の解が、最大エントロピー解のように指数族にあることを証明する。 変数の任意の部分集合に対して境界介入分布が提供される場合,本手法は2つのタスクを利害関係で実行することができる。 まず、観察データと単変量干渉データの混合から因果的特徴選択を行う方法、および、共同介入分布を推定する方法を示す。 従来の課題では,提案手法はデータセットのマージにおける最先端の手法よりも優れており,全変数の合同観測を必要とするKCI-testに匹敵する結果が得られる。

関連論文リスト

• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• 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)
• Differentiable Causal Discovery Under Latent Interventions [3.867363075280544]
  最近の研究は、介入した変数が未知であっても、勾配に基づく手法による介入データを活用することにより因果発見の有望な結果を示している。 複数の介入分布と1つの観察分布からサンプリングされた広範囲なデータセットを用いたシナリオを想定するが、どの分布がそれぞれのサンプルに由来するのか、どのように介入がシステムに影響を及ぼすのかはわからない。 本稿では、ニューラルネットワークと変分推論に基づいて、無限混合物間の共用因果グラフを学習することで、このシナリオに対処する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-04T14:21:28Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Information-Theoretic Approximation to Causal Models [0.0]
  有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。 X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。 本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-29T18:34:58Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• Learning Joint Nonlinear Effects from Single-variable Interventions in the Presence of Hidden Confounders [9.196779204457059]
  隠れた共同設立者の存在下での複数同時介入の効果を推定する手法を提案する。 非線形連続構造因果モデルからデータが生成されるという仮定の下で、同定可能性を証明する。 また,本研究の総合的な実験により,同定可能性の検証や,合成データと実世界データの両方のベースラインに対するアプローチの性能の比較を行う。
  論文  参考訳（メタデータ） (2020-05-23T12:52:09Z)
• Estimating Individual Treatment Effects through Causal Populations Identification [11.936520478641182]
  隠れ変数からの推測としてこの問題を定式化し、4つの排他的因果集団のモデルに基づいて因果制約を強制する。 本稿では,EMアルゴリズムの新たなバージョンを提案する。これは期待値最大化 (ECM) アルゴリズムと呼ばれ,軽度条件下での収束のヒントを提供する。
  論文  参考訳（メタデータ） (2020-04-10T12:51:19Z)

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。