論文の概要: Causal Order Discovery based on Monotonic SCMs

• arxiv url: http://arxiv.org/abs/2410.19870v1
• Date: Thu, 24 Oct 2024 03:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:17:57.832353
• Title: Causal Order Discovery based on Monotonic SCMs
• Title（参考訳）: モノトニックSCMに基づく因果次数探索
• Authors: Ali Izadi, Martin Ester,
• Abstract要約: 本稿では,根変数を反復的に検出することで因果順序を直接同定する新しいシーケンシャル手順を提案する。 この方法では、スパーシティ仮定と関連する最適化課題が不要になる。 本稿では,ルート変数の逐次探索におけるアプローチの有効性を,ヤコビアン空間を最大化する手法と比較する。
• 参考スコア（独自算出の注目度）: 5.47587439763942
• License:
• Abstract: In this paper, we consider the problem of causal order discovery within the framework of monotonic Structural Causal Models (SCMs), which have gained attention for their potential to enable causal inference and causal discovery from observational data. While existing approaches either assume prior knowledge about the causal order or use complex optimization techniques to impose sparsity in the Jacobian of Triangular Monotonic Increasing maps, our work introduces a novel sequential procedure that directly identifies the causal order by iteratively detecting the root variable. This method eliminates the need for sparsity assumptions and the associated optimization challenges, enabling the identification of a unique SCM without the need for multiple independence tests to break the Markov equivalence class. We demonstrate the effectiveness of our approach in sequentially finding the root variable, comparing it to methods that maximize Jacobian sparsity.
• Abstract（参考訳）: 本稿では,モノトニック構造因果モデル (SCM) の枠組みにおける因果次数探索の問題について考察する。 既存のアプローチでは、因果次数に関する事前の知識を前提とするか、複雑な最適化手法を用いて三角単調増分写像のヤコビアンに間隔を課すが、本研究では、根変数を反復的に検出することによって因果次数を直接同定する新しいシーケンシャル手順を導入する。 この方法では、スパーシティ仮定と関連する最適化課題の必要性を排除し、マルコフ同値クラスを壊すために複数の独立性試験を必要とせずに、ユニークなSCMの識別を可能にする。 本稿では,ルート変数の逐次探索におけるアプローチの有効性を,ヤコビアン空間を最大化する手法と比較する。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• A General Causal Inference Framework for Cross-Sectional Observational Data [0.4972323953932129]
  断面観測データに特化して設計された一般因果推論(GCI)フレームワーク。 本稿では,断面観測データを対象としたGCIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-28T14:26:27Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms [17.368146833023893]
  本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。
  論文  参考訳（メタデータ） (2024-01-31T17:28:05Z)
• Boosting Causal Additive Models [0.0]
  本稿では,観測データから付加的構造方程式モデル(SEM)を学習するためのブースティングに基づく手法を提案する。 任意の回帰手法に基づくスコア関数の族を導入し、真の因果順序を一貫して好むために必要な条件を確立する。 高次元データセットによってもたらされる課題に対処するため、加法的SEMの空間における成分勾配勾配によるアプローチを適応する。
  論文  参考訳（メタデータ） (2024-01-12T11:43:11Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• 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)
• Weakly Supervised Disentangled Generative Causal Representation Learning [21.392372783459013]
  本研究は, 従来手法では, 監督下においても, 因果関係の要因を解消できないことを示す。 本稿では、因果制御可能な生成と因果表現学習を可能にする、新たな非絡み合い学習法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T11:38:41Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。