論文の概要: Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2503.03634v1
• Date: Wed, 05 Mar 2025 16:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:53:07.560312
• Title: Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
• Title（参考訳）: 特徴マッチング・インターベンション:因果表現学習のための観測データを活用する
• Authors: Haoze Li, Jun Xie,
• Abstract要約: FMI(Feature Matching Intervention)は、完全な介入を模倣するためにマッチング手順を使用する。 因果グラフを定義し、構造因果モデルを潜在特徴空間に拡張する。 特徴マッチング手法はこれらの因果潜在グラフの完全な介入をエミュレートする。
• 参考スコア（独自算出の注目度）: 25.30659475597803
• License:
• Abstract: A major challenge in causal discovery from observational data is the absence of perfect interventions, making it difficult to distinguish causal features from spurious ones. We propose an innovative approach, Feature Matching Intervention (FMI), which uses a matching procedure to mimic perfect interventions. We define causal latent graphs, extending structural causal models to latent feature space, providing a framework that connects FMI with causal graph learning. Our feature matching procedure emulates perfect interventions within these causal latent graphs. Theoretical results demonstrate that FMI exhibits strong out-of-distribution (OOD) generalizability. Experiments further highlight FMI's superior performance in effectively identifying causal features solely from observational data.
• Abstract（参考訳）: 観測データから因果的発見を行う上での大きな課題は、完全な介入がないことであり、因果的特徴と突発的特徴とを区別することが困難である。 完全介入を模倣する手法であるFMI(Feature Matching Intervention)を提案する。 因果グラフを定義し、構造因果モデルを潜在特徴空間に拡張し、FMIと因果グラフ学習を結びつけるフレームワークを提供する。 特徴マッチング手法はこれらの因果潜在グラフの完全な介入をエミュレートする。 理論的な結果は、FMIが強い分布外分布(OOD)の一般化性を示すことを示している。 実験は、観測データのみから因果的特徴を効果的に識別するFMIの優れた性能をさらに強調した。

関連論文リスト

• Causally-Aware Unsupervised Feature Selection Learning [15.20376149047008]
  非教師なし特徴選択(UFS)は、最近、ラベルなし高次元データの処理に有効であるとして注目されている。 従来のグラフベースの手法では、類似性グラフの構築において、非因果的特徴と因果的特徴の異なる影響を考慮できない。 Causally-Aware UnSupErvised Feature Selection Learning (CAUSE-FS)と呼ばれる新しいUFS法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T04:41:38Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
  本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。 GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。 我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-11-24T17:04:45Z)
• A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
  因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。 データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。 我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-18T09:26:07Z)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)
• 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)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Interventional Sum-Product Networks: Causal Inference with Tractable Probabilistic Models [26.497268758016595]
  要約積ネットワーク(SPN)を用いた介入分布の学習の問題を検討する。 任意に介入した因果グラフを入力として、Pearlのdo-operatorを効果的に仮定する。 結果として生じる介入SPNは、個人の健康をテーマとした構造因果モデルによって動機づけられ、図示される。
  論文  参考訳（メタデータ） (2021-02-20T20:48:47Z)

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。