論文の概要: Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs

• arxiv url: http://arxiv.org/abs/2411.07006v1
• Date: Mon, 11 Nov 2024 14:05:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:10:49.612873
• Title: Estimating Causal Effects in Partially Directed Parametric Causal Factor Graphs
• Title（参考訳）: 部分方向パラメトリック因果係数グラフにおける因果効果の推定
• Authors: Malte Luttermann, Tanya Braun, Ralf Möller, Marcel Gehrke,
• Abstract要約: 部分有向グラフにおける因果推論に対して昇降が適用可能であることを示す。 本研究では,部分有向因果係数グラフにおいて,因果推論が昇降レベルでどのように行われるかを示す。
• 参考スコア（独自算出の注目度）: 4.647149336191891
• License:
• Abstract: Lifting uses a representative of indistinguishable individuals to exploit symmetries in probabilistic relational models, denoted as parametric factor graphs, to speed up inference while maintaining exact answers. In this paper, we show how lifting can be applied to causal inference in partially directed graphs, i.e., graphs that contain both directed and undirected edges to represent causal relationships between random variables. We present partially directed parametric causal factor graphs (PPCFGs) as a generalisation of previously introduced parametric causal factor graphs, which require a fully directed graph. We further show how causal inference can be performed on a lifted level in PPCFGs, thereby extending the applicability of lifted causal inference to a broader range of models requiring less prior knowledge about causal relationships.
• Abstract（参考訳）: リフティングは、識別不可能な個人の代表として、パラメトリック因子グラフと呼ばれる確率的関係モデルの対称性を利用して、正確な答えを維持しながら推論を高速化する。 本稿では,有向グラフと無向グラフの因果関係を表わすために,有向グラフと無向エッジの両方を含むグラフにおいて,昇降が因果推論にどのように適用できるかを示す。 完全有向グラフを必要とする、以前に導入されたパラメトリック因果グラフの一般化として、部分有向因果グラフ(PPCFG)を提案する。 さらに, PPCFGの昇降レベルにおいて, 因果推論が適用可能であることを示す。

関連論文リスト

• Lifted Causal Inference in Relational Domains [5.170468311431656]
  関係領域における因果効果を効率的に計算するために,昇降法が適用可能であることを示す。 本稿では,昇降レベルの因果効果を計算するために,昇降因果推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-15T10:44:27Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Estimation of a Causal Directed Acyclic Graph Process using Non-Gaussianity [3.04585143845864]
  機械学習とデータマイニングにおける因果関係を発見するための新しいアプローチを提案する。 CGP-LiNGAMはモデルパラメータを著しく少なくし、因果関係を解釈するために1つの因果グラフのみを扱う。
  論文  参考訳（メタデータ） (2022-11-24T21:09:55Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• OrphicX: A Causality-Inspired Latent Variable Model for Interpreting Graph Neural Networks [42.539085765796976]
  本稿では、グラフニューラルネットワーク(GNN)の因果説明を生成するための新しいeXplanationフレームワークOrphicXを提案する。 本研究では, 個別な生成モデルを構築し, 因果的, コンパクト, 忠実な説明を生成モデルに推奨する目的関数を設計する。 OrphicXは因果的説明を生成するための因果的意味論を効果的に識別できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T03:08:33Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Causal Inference Using Tractable Circuits [11.358487655918676]
  従来, 因果関係が不明であったモデルに対しては, 因果関係が不明であった場合の確率論的推論が可能であることを示す。 これは、因果機構を計算的に活用できる新しい手法によって実現されているが、それらのアイデンティティを知る必要はない。 我々のゴールは、これらの新しい結果に因果性指向の露出を提供することであり、それらがよりスケーラブルで多目的な因果推論にどのように貢献するかを推測することである。
  論文  参考訳（メタデータ） (2022-02-07T00:09:39Z)
• 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)
• Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
  因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。 因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。 従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
  論文  参考訳（メタデータ） (2020-11-24T13:22:34Z)
• 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。