論文の概要: Causal Learning for Heterogeneous Subgroups Based on Nonlinear Causal Kernel Clustering

• arxiv url: http://arxiv.org/abs/2501.11622v1
• Date: Mon, 20 Jan 2025 17:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:25:22.366776
• Title: Causal Learning for Heterogeneous Subgroups Based on Nonlinear Causal Kernel Clustering
• Title（参考訳）: 非線形因果カーネルクラスタリングに基づく不均一部分群の因果学習
• Authors: Lu Liu, Yang Tang, Kexuan Zhang, Qiyu Sun,
• Abstract要約: 異種因果学習のための非線形因果クラスタリング手法を提案する。 実験の結果,不均一な部分群を正確に同定する上で,本手法の優れた性能が示された。
• 参考スコア（独自算出の注目度）: 11.9672224014053
• License:
• Abstract: Due to the challenge posed by multi-source and heterogeneous data collected from diverse environments, causal relationships among features can exhibit variations influenced by different time spans, regions, or strategies. This diversity makes a single causal model inadequate for accurately representing complex causal relationships in all observational data, a crucial consideration in causal learning. To address this challenge, we introduce the nonlinear Causal Kernel Clustering method designed for heterogeneous subgroup causal learning, illuminating variations in causal relationships across diverse subgroups. It comprises two primary components. First, the construction of a sample mapping function forms the basis of the subsequent nonlinear causal kernel. This function assesses the differences in potential nonlinear causal relationships in various samples, supported by our causal identifiability theory. Second, a nonlinear causal kernel is proposed for clustering heterogeneous subgroups. Experimental results showcase the exceptional performance of our method in accurately identifying heterogeneous subgroups and effectively enhancing causal learning, leading to a great reduction in prediction error.
• Abstract（参考訳）: 多様な環境から収集された多ソースおよび異種データによって引き起こされる課題のため、特徴間の因果関係は、異なる時間帯、地域、戦略の影響を受けやすい。 この多様性は、すべての観測データにおける複雑な因果関係を正確に表現するには、単一の因果モデルが不十分であり、因果学習において重要な考慮事項である。 この課題に対処するために、異種サブグループ因果学習用に設計された非線形因果クラスタリング手法を導入し、多種サブグループ間の因果関係のばらつきを明らかにした。 主成分は2つ。 まず、サンプルマッピング関数の構築は、その後の非線形因果核の基礎を形成する。 本関数は,我々の因果識別可能性理論が支持する種々の試料における潜在的な非線形因果関係の差異を評価する。 第二に、不均一部分群をクラスタリングするために非線形因果核を提案する。 実験の結果,不均一な部分群を正確に同定し,因果学習を効果的に向上する上で,本手法の優れた性能を示し,予測誤差を大幅に低減させることができた。

関連論文リスト

• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Discovery in Linear Latent Variable Models Subject to Measurement Error [29.78435955758185]
  線形系における測定誤差の存在下での因果発見に着目した。 我々は、この問題と因果発見の驚くべき関連性を、観察されていない親性原因の存在で示している。
  論文  参考訳（メタデータ） (2022-11-08T03:43:14Z)
• CCSL: A Causal Structure Learning Method from Multiple Unknown Environments [32.61349047509467]
  非i.d.データからの因果発見のための統一因果クラスタ構造学習法(CCSL)を提案する。 本手法は,(1)同じ因果機構を持つ被験者をクラスタリングすること,(2)被験者のサンプルから因果構造を学習すること,の2つの課題を同時に統合する。
  論文  参考訳（メタデータ） (2021-11-18T12:50:53Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)
• A Distance Covariance-based Kernel for Nonlinear Causal Clustering in Heterogeneous Populations [1.2763567932588586]
  本稿では,異なるサンプルの非線形因果構造間の類似性を測定するために,距離共分散に基づくカーネルを提案する。 このカーネルはクラスタリングを行い、同種サブポピュレーションを識別する。 遺伝子学の応用による因果的クラスタリングにカーネルを用いることで、測定された遺伝子発現レベルを調節する潜伏転写因子ネットワークを解明することができる。
  論文  参考訳（メタデータ） (2021-06-07T10:16:34Z)
• Causal network learning with non-invertible functional relationships [7.845605663563046]
  いくつかの最近の結果は、非ガウスおよび/または非線形構造方程式モデル(SEM)を用いた因果DAGの同定可能性を確立している。 本稿では,多くのデータ領域に存在する非可逆関数によって定義される非線形SEMに着目した。 線形因果関係と非線形因果関係の両方を含むDAGの構造学習において,本試験を組み込む手法を開発した。
  論文  参考訳（メタデータ） (2020-04-20T21:32:05Z)

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。