論文の概要: Your Assumed DAG is Wrong and Here's How To Deal With It

• arxiv url: http://arxiv.org/abs/2502.17030v1
• Date: Mon, 24 Feb 2025 10:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:58:00.434600
• Title: Your Assumed DAG is Wrong and Here's How To Deal With It
• Title（参考訳）: 予想されるDAGは間違っていて、どう対処したらいいの?
• Authors: Kirtan Padh, Zhufeng Li, Cecilia Casolo, Niki Kilbertus,
• Abstract要約: 本稿では,因果グラフの集合上の因果クエリのバウンダリを提供する,効率的な勾配に基づく最適化手法を提案する。 当社のアプローチは,DAGが間違っていると仮定した場合の有効な批判に対して,使いやすく,広く適用可能な反論を提供することを目的としています。」
• 参考スコア（独自算出の注目度）: 4.262342157729123
• License:
• Abstract: Assuming a directed acyclic graph (DAG) that represents prior knowledge of causal relationships between variables is a common starting point for cause-effect estimation. Existing literature typically invokes hypothetical domain expert knowledge or causal discovery algorithms to justify this assumption. In practice, neither may propose a single DAG with high confidence. Domain experts are hesitant to rule out dependencies with certainty or have ongoing disputes about relationships; causal discovery often relies on untestable assumptions itself or only provides an equivalence class of DAGs and is commonly sensitive to hyperparameter and threshold choices. We propose an efficient, gradient-based optimization method that provides bounds for causal queries over a collection of causal graphs -- compatible with imperfect prior knowledge -- that may still be too large for exhaustive enumeration. Our bounds achieve good coverage and sharpness for causal queries such as average treatment effects in linear and non-linear synthetic settings as well as on real-world data. Our approach aims at providing an easy-to-use and widely applicable rebuttal to the valid critique of `What if your assumed DAG is wrong?'.
• Abstract（参考訳）: 変数間の因果関係の事前知識を表す有向非巡回グラフ(DAG)を仮定することは、原因効果推定の共通の出発点である。 既存の文献は、この仮定を正当化するために仮説的なドメインエキスパートの知識や因果発見アルゴリズムを呼び起こすのが一般的である。 実際には、信頼性の高い単一のDAGを提案できない。 因果発見は、しばしば証明不可能な仮定そのものに依存するか、DAGの等価クラスのみを提供し、通常ハイパーパラメータとしきい値の選択に敏感である。 本稿では,不完全な事前知識と互換性のある因果グラフの集合に対する因果クエリのバウンダリを提供する,効率的な勾配に基づく最適化手法を提案する。 線形および非線形の合成設定における平均処理効果や実世界のデータなど、因果クエリのカバレッジとシャープさは良好である。 当社のアプローチは,DAGが間違っていると仮定した場合はどうか?」という批判に対して,使いやすく,広く適用可能な反論を提供することを目的としている。

関連論文リスト

• Learning to Defer for Causal Discovery with Imperfect Experts [59.071731337922664]
  L2D-CDは、専門家の推薦の正しさを測り、データ駆動因果発見結果と最適に組み合わせる手法である。 我々は,標準T"ubingenペアデータセット上でL2D-CDを評価し,因果探索法と分離に用いる専門家の双方と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2025-02-18T18:55:53Z)
• Discovery of Maximally Consistent Causal Orders with Large Language Models [0.8192907805418583]
  因果発見は複雑なシステムを理解するのに不可欠である。 伝統的な手法は、しばしば強く、証明不可能な仮定に依存する。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• 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)
• Deep Learning With DAGs [5.199807441687141]
  我々は、有向非巡回グラフ(DAG)として表される理論を実証的に評価するために、因果グラフ正規化フロー(cGNFs)を導入する。 従来のアプローチとは異なり、cGNFsはアナリストが提供したDAGに従ってデータの完全な関節分布をモデル化する。
  論文  参考訳（メタデータ） (2024-01-12T19:35:54Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Causal discovery under a confounder blanket [9.196779204457059]
  観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。 これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。 これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-11T18:10:45Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• 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)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties of Non-Gaussian Distributions [3.1981440103815717]
  我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。 提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。 因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-06-02T09:33:05Z)
• FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders [46.31784571870808]
  いくつかの穏やかな仮定の下では、モデルがハイブリッドメソッドによって一意に識別されることを示す。 本手法は,制約ベース手法と独立ノイズベース手法の利点を生かして,共起状況と未解決状況の両方を扱う。
  論文  参考訳（メタデータ） (2021-03-26T03:12:14Z)

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。