論文の概要: Causal Learning for Heterogeneous Subgroups Based on Nonlinear Causal Kernel Clustering
- arxiv url: http://arxiv.org/abs/2501.11622v3
- Date: Sat, 08 Feb 2025 14:20:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:27:01.743588
- 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: 非線形因果クラスタリング法は異種因果学習に有用である。
実験結果から,本手法は異種サブグループを同定し,因果学習の促進に有効であることが示唆された。
- 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, the nonlinear Causal Kernel Clustering method is introduced for heterogeneous subgroup causal learning, highlighting variations in causal relationships across diverse subgroups. The main component for clustering heterogeneous subgroups lies in the construction of the $u$-centered sample mapping function with the property of unbiased estimation, which assesses the differences in potential nonlinear causal relationships in various samples and supported by causal identifiability theory. Experimental results indicate that the method performs well in identifying heterogeneous subgroups and enhancing causal learning, leading to a 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により、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、不均一な部分群因果学習に非線形因果クラスタリング法を導入し、多様な部分群間の因果関係のばらつきを強調した。
ヘテロジニアス部分群をクラスタリングする主な要素は、様々なサンプルにおける潜在的な非線形因果関係の違いを評価し、因果識別可能性理論によって支えられる、不偏推定の特性を持つ$u$中心のサンプルマッピング関数の構築にある。
実験結果から, 不均一な部分群を同定し, 因果学習を向上し, 予測誤差の低減につながることが示唆された。
関連論文リスト
- Identifying latent disease factors differently expressed in patient subgroups using group factor analysis [54.67330718129736]
本稿では,サブグループ特異的およびサブグループ共通潜在因子を明らかにするための新しいアプローチを提案する。
提案手法は,正規化されたホースシュー先行群を用いたスパース群因子解析 (GFA) であり,確率計画法を用いて実装した。
論文 参考訳(メタデータ) (2024-10-10T13:12:14Z) - 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) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - 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) - 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) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳(メタデータ) (2020-07-21T08:18:06Z) - 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) - Directionally Dependent Multi-View Clustering Using Copula Model [3.5097082077065]
ゲノム研究では、DNAの発現、DNAメチル化、RNAの発現に何らかの方向依存がある。
既存のマルチビュークラスタリングメソッドのほとんどは、独立した構造か、ペアワイズ(非方向性)の依存性を前提としています。
本論文では,コプラを用いたマルチビュークラスタリングモデルを提案する。
論文 参考訳(メタデータ) (2020-03-17T02:04:10Z)
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。