論文の概要: Distinguishing Cause from Effect with Causal Velocity Models
- arxiv url: http://arxiv.org/abs/2502.05122v1
- Date: Fri, 07 Feb 2025 17:50:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:57:30.572584
- Title: Distinguishing Cause from Effect with Causal Velocity Models
- Title（参考訳）: 因果速度モデルによる影響による消毒
- Authors: Johnny Xi, Hugh Dance, Peter Orbanz, Benjamin Bloem-Reddy,
- Abstract要約: 本研究では,加法や位置スケールノイズなどの既知のモデルクラスを超えて,因果発見を行う手法を開発した。
スコアが適切に推定された場合、その目的はまた、モデルの非識別性や不特定性を検出するのにも有用である。
- 参考スコア（独自算出の注目度）: 3.0523869645673076
- License:
- Abstract: Bivariate structural causal models (SCM) are often used to infer causal direction by examining their goodness-of-fit under restricted model classes. In this paper, we describe a parametrization of bivariate SCMs in terms of a causal velocity by viewing the cause variable as time in a dynamical system. The velocity implicitly defines counterfactual curves via the solution of initial value problems where the observation specifies the initial condition. Using tools from measure transport, we obtain a unique correspondence between SCMs and the score function of the generated distribution via its causal velocity. Based on this, we derive an objective function that directly regresses the velocity against the score function, the latter of which can be estimated non-parametrically from observational data. We use this to develop a method for bivariate causal discovery that extends beyond known model classes such as additive or location scale noise, and that requires no assumptions on the noise distributions. When the score is estimated well, the objective is also useful for detecting model non-identifiability and misspecification. We present positive results in simulation and benchmark experiments where many existing methods fail, and perform ablation studies to examine the method's sensitivity to accurate score estimation.
- Abstract（参考訳）: 双変数構造因果モデル(SCM)は、制限されたモデルクラスの下で適合性の良さを調べることによって因果方向を推測するためにしばしば用いられる。
本稿では、動的システムにおける原因変数を時間として見ることにより、因果速度の観点から二変量SCMのパラメトリゼーションを記述する。
速度は、観測が初期条件を指定する初期値問題の解を通じて、陰実曲線を暗黙的に定義する。
測度輸送のツールを用いて、その因果速度によって生成された分布のスコア関数とSCMのユニークな対応を求める。
これに基づいて,観測データから非パラメトリックに推定可能なスコア関数に対して直接速度を回帰する目的関数を導出する。
これを応用して,加法や位置スケールノイズといった既知のモデルクラスを超えて,雑音分布を仮定する必要のない二変量因果探索法を開発した。
スコアが適切に推定された場合、その目的はまた、モデルの非識別性や不特定性を検出するのにも有用である。
本研究は,多くの既存手法が故障したシミュレーションおよびベンチマーク実験において正の結果を示すとともに,精度の高いスコア推定に対する手法の感度を調べるためのアブレーション研究を行う。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。
我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
論文 参考訳（メタデータ） (2023-12-15T02:26:35Z) - Cause-Effect Inference in Location-Scale Noise Models: Maximum
Likelihood vs. Independence Testing [19.23479356810746]
因果発見の根本的な問題は因果推論であり、2つの確率変数間の正しい因果方向を学習する。
最近導入されたヘテロセダスティックな位置スケールノイズ汎関数モデル(LSNM)は、表現力と識別可能性の保証を組み合わせたものである。
雑音分布が正しく特定された場合,LSNMモデル選択が最先端の精度を実現することを示す。
論文 参考訳（メタデータ） (2023-01-26T20:48:32Z) - Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。
いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。
本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2022-08-30T11:12:59Z) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Causal Inference in Geoscience and Remote Sensing from Observational
Data [9.800027003240674]
経験的データの有限集合を用いて、因果関係の正しい方向を推定する。
我々は28の地球科学因果推論問題の集合でパフォーマンスを示す。
この基準はあらゆるケースで最先端の検出率を達成するが、一般的にノイズ源や歪みに対して堅牢である。
論文 参考訳（メタデータ） (2020-12-07T22:56:55Z) - Causal Autoregressive Flows [4.731404257629232]
自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。
我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
論文 参考訳（メタデータ） (2020-11-04T13:17:35Z) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳（メタデータ） (2020-05-18T23:48:56Z)
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。