論文の概要: Causally Consistent Normalizing Flow

• arxiv url: http://arxiv.org/abs/2412.12401v1
• Date: Mon, 16 Dec 2024 23:13:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 17:09:38.478427
• Title: Causally Consistent Normalizing Flow
• Title（参考訳）: Causally Consistent Normalizing Flow
• Authors: Qingyang Zhou, Kangjie Lu, Meng Xu,
• Abstract要約: textitStruct Causal Models (SCM)のような因果モデルで指定されたモデルと矛盾する場合に因果不整合が発生する。 本研究では,新しいアプローチを導入する。 textbfCausally textbfConsistent textbfNormalizing textbfFlow (CCNF)。 我々の知る限りでは、CCNFは任意の分布を近似できる最初の因果一貫性のある生成モデルである。
• 参考スコア（独自算出の注目度）: 19.857131732188563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal inconsistency arises when the underlying causal graphs captured by generative models like \textit{Normalizing Flows} (NFs) are inconsistent with those specified in causal models like \textit{Struct Causal Models} (SCMs). This inconsistency can cause unwanted issues including the unfairness problem. Prior works to achieve causal consistency inevitably compromise the expressiveness of their models by disallowing hidden layers. In this work, we introduce a new approach: \textbf{C}ausally \textbf{C}onsistent \textbf{N}ormalizing \textbf{F}low (CCNF). To the best of our knowledge, CCNF is the first causally consistent generative model that can approximate any distribution with multiple layers. CCNF relies on two novel constructs: a sequential representation of SCMs and partial causal transformations. These constructs allow CCNF to inherently maintain causal consistency without sacrificing expressiveness. CCNF can handle all forms of causal inference tasks, including interventions and counterfactuals. Through experiments, we show that CCNF outperforms current approaches in causal inference. We also empirically validate the practical utility of CCNF by applying it to real-world datasets and show how CCNF addresses challenges like unfairness effectively.
• Abstract（参考訳）: 因果不整合は、生成モデルによってキャプチャされる基礎となる因果グラフである \textit{Normalizing Flows} (NFs) が、 \textit{Struct Causal Models} (SCMs) のような因果モデルで特定されたグラフと矛盾する場合に生じる。 この矛盾は不公平な問題を含む不必要な問題を引き起こす可能性がある。 因果一貫性を達成するための以前の作業は、隠れたレイヤを無効にすることで、必然的にモデルの表現性を損なう。 本稿では,新しいアプローチを導入する。 \textbf{C}ausally \textbf{C}onsistent \textbf{N}ormalizing \textbf{F}low (CCNF)。 我々の知る限りでは、CCNFは複数の層で任意の分布を近似できる最初の因果一貫性のある生成モデルである。 CCNFはSCMの逐次表現と部分因果変換という2つの新しい構成に依存している。 これらの構造により、CCNFは表現力を犠牲にすることなく因果一貫性を本質的に維持することができる。 CCNFは、介入や対策など、あらゆる形の因果推論タスクを処理できる。 実験により、CCNFは因果推論における現在のアプローチよりも優れていることを示す。 また、実世界のデータセットに適用することでCCNFの実用性を実証的に検証し、CCNFが不公平性などの課題に効果的に対処する方法を示す。

関連論文リスト

• DeCaFlow: A Deconfounding Causal Generative Model [58.411886466157185]
  因果生成モデル (Causal Generative Model, CGM) は近年, 因果機構をシミュレートする有効な手法として出現している。 私たちは、観測データと因果グラフのみを使用して、単一の償却トレーニングプロセスにおいて、隠れた共同設立者を説明するCGMであるDeCaFlowを紹介します。 我々の知る限りでは、構築された反ファクトクエリが識別可能であり、したがってDeCaFlowによって解決可能であることを示す。
  論文  参考訳（メタデータ） (2025-03-19T11:14:16Z)
• Rectified Diffusion Guidance for Conditional Generation [62.00207951161297]
  CFGの背後にある理論を再検討し、組合せ係数の不適切な構成(すなわち、広く使われている和対1バージョン)が生成分布の期待シフトをもたらすことを厳密に確認する。 本稿では,誘導係数を緩和したReCFGを提案する。 このようにして、修正された係数は観測されたデータをトラバースすることで容易に事前計算でき、サンプリング速度はほとんど影響を受けない。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• Causal Concept Graph Models: Beyond Causal Opacity in Deep Learning [11.13665894783481]
  因果不透明性(英: Causal opacity)とは、ディープニューラルネットワーク(DNN)モデルの決定の根底にある「隠れた」因果構造を理解することの難しさを指す。 この研究は、因果概念グラフモデル(Causal Concept Graph Models, Causal CGMs)を導入している。 実験の結果, (i) 因果不透明モデルの一般化性能に一致し, (ii) ループ内修正を誤予測中間推論ステップに適用し, (iii) 介入シナリオと反事実シナリオの分析を支援することができた。
  論文  参考訳（メタデータ） (2024-05-26T10:15:20Z)
• Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
  すべての因果モデルに対する因果推論における不確実性の利用について検討する。 構造的辺化を (i) 因果順序上の辺化と (ii) 順序を与えられた非巡回グラフ (DAG) に分解する。 本手法は, 擬似非線形付加雑音ベンチマークにおいて, 構造学習における最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-02-22T18:39:24Z)
• 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)
• Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing Heterogeneity [0.0]
  本稿では, 分散一貫性構造因果モデル (DiscoSCM) フレームワークを, 反事実推論の先駆的アプローチとして提唱する。
  論文  参考訳（メタデータ） (2023-09-17T17:01:05Z)
• Causal normalizing flows: from theory to practice [10.733905678329675]
  我々は,非線形ICAを用いた最近の結果を用いて,因果的順序付けを施した観測データから因果的モデルが識別可能であることを示す。 第2に、因果正規化フローの設計と学習の異なる選択を分析し、基礎となる因果データ生成プロセスをキャプチャする。 第3に, 因果NFにおけるdo-operativeの実装方法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T17:58:05Z)
• 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)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。