論文の概要: Robust Causal Analysis of Linear Cyclic Systems With Hidden Confounders

• arxiv url: http://arxiv.org/abs/2411.11590v2
• Date: Sun, 22 Dec 2024 05:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:54:29.812135
• Title: Robust Causal Analysis of Linear Cyclic Systems With Hidden Confounders
• Title（参考訳）: 隠れた共同ファウンダーによる線形サイクルシステムのロバスト因果解析
• Authors: Boris Lorbeer, Axel Küpper,
• Abstract要約: 多くの複雑なシステムにはフィードバックループがあり、これは我々の手法が周期的因果関係を許容する必要があることを意味する。 データは、しばしば汚染されたプロセスによって歪むので、そのような歪みに対して堅牢な手法を適用する必要があります。 我々はLLCの堅牢性について検討する。 citellcは、隠れた共同設立者と循環モデルを扱う数少ない因果分析手法の1つだ。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We live in a world full of complex systems which we need to improve our understanding of. To accomplish this, purely probabilistic investigations are often not enough. They are only the first step and must be followed by learning the system's underlying mechanisms. This is what the discipline of causality is concerned with. Many of those complex systems contain feedback loops which means that our methods have to allow for cyclic causal relations. Furthermore, systems are rarely sufficiently isolated, which means that there are usually hidden confounders, i.e., unmeasured variables that each causally affects more than one measured variable. Finally, data is often distorted by contaminating processes, and we need to apply methods that are robust against such distortions. That's why we consider the robustness of LLC, see \cite{llc}, one of the few causal analysis methods that can deal with cyclic models with hidden confounders. Following a theoretical analysis of LLC's robustness properties, we also provide robust extensions of LLC. To facilitate reproducibility and further research in this field, we make the source code publicly available.
• Abstract（参考訳）: 私たちは、理解を深めるために必要な複雑なシステムでいっぱいの世界に住んでいます。 これを達成するために、純粋に確率的な調査は、しばしば不十分である。 これらは最初のステップに過ぎず、システムの基盤となるメカニズムを学習しなければなりません。 これが因果関係の規律である。 これらの複雑なシステムの多くはフィードバックループを含んでいるため、我々の手法は周期的因果関係を許容しなければならない。 さらに、システムは十分に分離されることは稀であり、通常は隠れた共同設立者(つまり、各変数が複数の測定変数に因果的に影響する未測定変数)が存在することを意味する。 最後に、データはしばしば汚染されたプロセスによって歪められ、そのような歪みに対して堅牢な手法を適用する必要がある。 これは、隠れた共同設立者と循環モデルを扱うことができる数少ない因果解析手法の1つである。 LLC のロバスト性に関する理論的解析に続いて、LLC のロバスト拡張も提供する。 この分野での再現性とさらなる研究を容易にするため、ソースコードを公開している。

関連論文リスト

• Identifiability Analysis of Linear ODE Systems with Hidden Confounders [45.14890063421295]
  本稿では,隠れた共同設立者を組み込んだ線形ODEシステムにおける識別可能性の体系的解析について述べる。 最初のケースでは、潜伏した共同設立者は因果関係を示さないが、その進化は特定の形態に固執する。 その後、この分析を、隠れた共同創設者が因果依存性を示すシナリオにまで拡張する。
  論文  参考訳（メタデータ） (2024-10-29T10:15:56Z)
• 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)
• Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders [0.0]
  我々は、サイクルと隠れた共同設立者を持つことが許される疎線形モデルの因果発見の問題に焦点をあてる。 我々は4つの因果発見技術に関する包括的かつ徹底的な比較研究を準備した。
  論文  参考訳（メタデータ） (2024-01-23T08:51:39Z)
• Heteroscedastic Causal Structure Learning [2.566492438263125]
  ガウス雑音下での不連続因果構造学習問題に取り組む。 因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。 その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
  論文  参考訳（メタデータ） (2023-07-16T07:53:16Z)
• 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 under a confounder blanket [9.196779204457059]
  観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。 これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。 これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-11T18:10:45Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• 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)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)
• Constraint-Based Causal Discovery using Partial Ancestral Graphs in the presence of Cycles [3.716663957642984]
  本稿では,フィードバックを伴うシステムによって生成された観測データに適用した場合,高速因果推論アルゴリズムの出力が正しいことを示す。 これらの結果を制約に基づく因果探索アルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2020-05-01T21:10:31Z)
• 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)

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。