論文の概要: Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
- arxiv url: http://arxiv.org/abs/2409.14593v1
- Date: Sun, 22 Sep 2024 21:05:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 21:57:16.685854
- Title: Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
- Title（参考訳）: 条件付き独立性による多項式遅延における隠れ変数をもつ因果関係モデルの検証
- Authors: Hyunchai Jeong, Adiba Ejaz, Jin Tian, Elias Bareinboim,
- Abstract要約: 観測データに対して仮説化された因果モデルをテストすることは、多くの因果推論タスクにとって重要な前提条件である。
モデルは指数関数的に多くの条件付き独立関係(CI)を仮定できるが、これら全てをテストすることは実用的でなく不必要である。
隠れ変数を持つ因果グラフのc-LMPを導入し、これらのCIを多時間間隔でリストする遅延アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 49.99600569996907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Testing a hypothesized causal model against observational data is a key prerequisite for many causal inference tasks. A natural approach is to test whether the conditional independence relations (CIs) assumed in the model hold in the data. While a model can assume exponentially many CIs (with respect to the number of variables), testing all of them is both impractical and unnecessary. Causal graphs, which encode these CIs in polynomial space, give rise to local Markov properties that enable model testing with a significantly smaller subset of CIs. Model testing based on local properties requires an algorithm to list the relevant CIs. However, existing algorithms for realistic settings with hidden variables and non-parametric distributions can take exponential time to produce even a single CI constraint. In this paper, we introduce the c-component local Markov property (C-LMP) for causal graphs with hidden variables. Since C-LMP can still invoke an exponential number of CIs, we develop a polynomial delay algorithm to list these CIs in poly-time intervals. To our knowledge, this is the first algorithm that enables poly-delay testing of CIs in causal graphs with hidden variables against arbitrary data distributions. Experiments on real-world and synthetic data demonstrate the practicality of our algorithm.
- Abstract（参考訳）: 観測データに対して仮説化された因果モデルをテストすることは、多くの因果推論タスクにとって重要な前提条件である。
自然なアプローチは、モデルがデータに持つ条件付き独立関係(CI)をテストすることである。
モデルは(変数の数に関して)指数関数的に多くのCIを仮定できるが、これらすべてをテストすることは非現実的であり、不要である。
これらのCIを多項式空間にエンコードする因果グラフは、CIのかなり小さな部分集合でモデルテストを可能にする局所マルコフ特性をもたらす。
ローカルプロパティに基づいたモデルテストでは、関連するCIをリストアップするアルゴリズムが必要である。
しかし、隠れ変数や非パラメトリック分布を持つ現実的な設定のための既存のアルゴリズムは、ひとつのCI制約を発生させるのに指数関数的な時間を要する可能性がある。
本稿では、隠れ変数を持つ因果グラフに対するc-component local Markov property (C-LMP)を提案する。
C-LMPは指数関数的なCIを起動できるため、多項式遅延アルゴリズムを開発し、これらのCIを多時間間隔でリストアップする。
我々の知る限り、これは任意のデータ分布に対して隠れ変数を持つ因果グラフにおけるCIの多遅延テストを可能にする最初のアルゴリズムである。
実世界のデータと合成データの実験は、我々のアルゴリズムの実用性を実証している。
関連論文リスト
- Detection of Unobserved Common Causes based on NML Code in Discrete,
Mixed, and Continuous Variables [1.5039745292757667]
2つの確率変数間の因果関係を次の4つのカテゴリに分類する。
我々は,CLOUDが,合成データと実世界のデータの両方に関する広範な実験により因果関係を推定する既存手法よりも有効であることを示す。
論文 参考訳（メタデータ） (2024-03-11T08:11:52Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes [7.103713918313219]
条件付き独立性(CI)の制約を、選択した間隔で調整する。
我々は,完全かつ完全な因果探索アルゴリズムを提案し,完全な観測データと部分的な観測データの両方を扱えるようにした。
また、これらの制約をデータから推測するために、フレキシブルで一貫したカーネルベースのCIテストを提案する。
論文 参考訳（メタデータ） (2024-02-28T16:58:31Z) - Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-02-20T18:53:53Z) - Salesforce CausalAI Library: A Fast and Scalable Framework for Causal
Analysis of Time Series and Tabular Data [76.85310770921876]
観測データを用いた因果解析のためのオープンソースライブラリであるSalesforce CausalAI Libraryを紹介した。
このライブラリの目標は、因果関係の領域における様々な問題に対して、迅速かつ柔軟なソリューションを提供することである。
論文 参考訳（メタデータ） (2023-01-25T22:42:48Z) - 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) - A Simple Unified Approach to Testing High-Dimensional Conditional
Independences for Categorical and Ordinal Data [0.26651200086513094]
条件独立テスト(CI)は、因果推論におけるモデルテストと構造学習に多くのアプローチをとる。
分類データと順序データのための既存のCIテストは、条件変数によってサンプルを階層化し、各層で単純な独立テストを実行し、結果を組み合わせる。
本稿では,高次元における適切なキャリブレーションとパワーを維持するための,順序データと分類データに対する簡易な統合CIテストを提案する。
論文 参考訳（メタデータ） (2022-06-09T08:56:12Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Granger Causality Based Hierarchical Time Series Clustering for State
Estimation [8.384689499720515]
大量のラベルのないデータを扱う場合、クラスタリングは便利です。
シンボリックな動的フィルタリングとGranger因果関係に基づく階層型時系列クラスタリング手法を提案する。
Granger因果関係に基づく新しい距離メトリックが提案され、時系列クラスタリングに使用され、経験的なデータセットで検証される。
論文 参考訳（メタデータ） (2021-04-09T06:14:54Z) - Query Training: Learning a Worse Model to Infer Better Marginals in
Undirected Graphical Models with Hidden Variables [11.985433487639403]
確率的グラフィカルモデル(PGM)は、柔軟な方法でクエリできる知識のコンパクトな表現を提供する。
我々は,PGMを学習するメカニズムであるクエリトレーニング(QT)を導入し,それと組み合わせる近似推論アルゴリズムに最適化する。
実験により,QTを用いて隠れ変数を持つ8連結グリッドマルコフランダム場を学習できることが実証された。
論文 参考訳（メタデータ） (2020-06-11T20:34:32Z)
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。