論文の概要: SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph

• arxiv url: http://arxiv.org/abs/2502.07857v1
• Date: Tue, 11 Feb 2025 16:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:51:06.455317
• Title: SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph
• Title（参考訳）: SNAP:未知グラフを用いた目標因果効果推定のための逐次非アンセサ・プルーニング
• Authors: Mátyás Schubert, Tom Claassen, Sara Magliacane,
• Abstract要約: 我々は,目的変数間の因果関係を,計算的かつ統計的に効果的に同定することに注力する。 対象の特定の非祖先は、目標間の因果関係を学習し、効率的な調整セットを特定するのに不要であることを示す。 両手法とも, 因果効果評価の品質を損なうことなく, 独立性試験数と計算時間を大幅に削減できることを示す。
• 参考スコア（独自算出の注目度）: 5.828668695854935
• License:
• Abstract: Causal discovery can be computationally demanding for large numbers of variables. If we only wish to estimate the causal effects on a small subset of target variables, we might not need to learn the causal graph for all variables, but only a small subgraph that includes the targets and their adjustment sets. In this paper, we focus on identifying causal effects between target variables in a computationally and statistically efficient way. This task combines causal discovery and effect estimation, aligning the discovery objective with the effects to be estimated. We show that definite non-ancestors of the targets are unnecessary to learn causal relations between the targets and to identify efficient adjustments sets. We sequentially identify and prune these definite non-ancestors with our Sequential Non-Ancestor Pruning (SNAP) framework, which can be used either as a preprocessing step to standard causal discovery methods, or as a standalone sound and complete causal discovery algorithm. Our results on synthetic and real data show that both approaches substantially reduce the number of independence tests and the computation time without compromising the quality of causal effect estimations.
• Abstract（参考訳）: 因果発見は多数の変数を計算的に要求することができる。 対象変数の小さな部分集合に対する因果効果を見積もるだけであれば、すべての変数に対する因果グラフを学ぶ必要はなく、ターゲットとそれらの調整セットを含む小さな部分グラフのみを学ぶことができる。 本稿では,対象変数間の因果関係を,計算的かつ統計的に効率的に同定することに焦点を当てる。 このタスクは因果発見と効果推定を組み合わせ、発見目標と推定する効果を一致させる。 対象の特定の非祖先は、目標間の因果関係を学習し、効率的な調整セットを特定するのに不要であることを示す。 本手法は,標準的な因果探索手法の前処理ステップとして,あるいはスタンドアロンの音響および完全因果探索アルゴリズムとして使用することができる。 両手法とも, 因果効果評価の品質を損なうことなく, 独立性試験数と計算時間を大幅に削減できることを示す。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Identifying perturbation targets through causal differential networks [23.568795598997376]
  本稿では,生物学的システムの変更に責任を持つ変数を同定する因果性に着想を得たアプローチを提案する。 まず、観測データと干渉データからノイズの多い因果グラフを推定する。 次に、これらのグラフ間の差分を、追加の統計的特徴とともに、介入された変数の集合にマッピングすることを学ぶ。
  論文  参考訳（メタデータ） (2024-10-04T12:48:21Z)
• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
  我々は,線形非ガウス構造方程式モデルについて考察する。 この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
  論文  参考訳（メタデータ） (2024-08-09T07:24:12Z)
• Structural restrictions in local causal discovery: identifying direct causes of a target variable [0.9208007322096533]
  観測的関節分布から対象変数の直接的な原因の集合を学ぶことは、科学の基本的な問題である。 ここでは、完全なDAGではなく、1つのターゲット変数の直接的な原因を特定することにのみ関心があります。 これにより、識別可能性の仮定を緩和し、より高速で堅牢なアルゴリズムを開発することができる。
  論文  参考訳（メタデータ） (2023-07-29T18:31:35Z)
• 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)
• Subset verification and search algorithms for causal DAGs [13.108039226223793]
  エッジのサブセット(ターゲットエッジ)間の因果関係を学習するために必要な最小の介入セットを特定する問題について検討する。 介入因果グラフのいくつかの興味深い構造的特性を証明し、ここで研究されるサブセット検証・探索問題以外の応用があると信じている。
  論文  参考訳（メタデータ） (2023-01-09T06:25:44Z)
• Independence Testing-Based Approach to Causal Discovery under Measurement Error and Linear Non-Gaussian Models [9.016435298155827]
  因果発見は、観測データを生成する因果構造を復元することを目的としている。 この問題の特定の定式化を考えると、観測されていない対象変数は非ガウス非巡回線型モデルに従う。 本研究では,ある測定変数の特定の線形変換と,他の測定変数との独立性をチェックする変態独立雑音条件を提案する。
  論文  参考訳（メタデータ） (2022-10-20T05:10:37Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• 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)

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。