論文の概要: Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling

• arxiv url: http://arxiv.org/abs/2503.09194v1
• Date: Wed, 12 Mar 2025 09:38:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:44.414051
• Title: Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling
• Title（参考訳）: 明示的ブロック階層的祖先サンプリングを用いた暗黙的無観測共起合成における落とし穴への対処
• Authors: Xudong Sun, Alex Markham, Pratik Misra, Carsten Marr,
• Abstract要約: バイアスのないデータ合成は、観測されていないコンバウンディングの存在下で因果発見アルゴリズムを評価するために重要である。 本研究では, ブロック階層的な基底真理因果グラフの生成を生かした, 観測不能な共起に対する明示的モデリング手法を提案する。
• 参考スコア（独自算出の注目度）: 1.7037247867649157
• License:
• Abstract: Unbiased data synthesis is crucial for evaluating causal discovery algorithms in the presence of unobserved confounding, given the scarcity of real-world datasets. A common approach, implicit parameterization, encodes unobserved confounding by modifying the off-diagonal entries of the idiosyncratic covariance matrix while preserving positive definiteness. Within this approach, state-of-the-art protocols have two distinct issues that hinder unbiased sampling from the complete space of causal models: first, the use of diagonally dominant constructions, which restrict the spectrum of partial correlation matrices; and second, the restriction of possible graphical structures when sampling bidirected edges, unnecessarily ruling out valid causal models. To address these limitations, we propose an improved explicit modeling approach for unobserved confounding, leveraging block-hierarchical ancestral generation of ground truth causal graphs. Algorithms for converting the ground truth DAG into ancestral graph is provided so that the output of causal discovery algorithms could be compared with. We prove that our approach fully covers the space of causal models, including those generated by the implicit parameterization, thus enabling more robust evaluation of methods for causal discovery and inference.
• Abstract（参考訳）: 非バイアスデータ合成は、現実のデータセットが不足していることを考えると、観測されていないコンファウンディングの存在下で因果発見アルゴリズムを評価するために不可欠である。 暗黙的パラメタライゼーション(暗黙的パラメタライゼーション)という一般的なアプローチは、正の定性を維持しながら、慣性的共分散行列の対角外成分を変更することによって、観測されない共役を符号化する。 このアプローチでは、最先端のプロトコルは、因果モデルの完全な空間からの非バイアスサンプリングを妨げる2つの異なる問題を持っている: まず、偏相関行列のスペクトルを制限する対角的に支配的な構成の使用、そして第二に、二方向エッジをサンプリングする際のグラフィカルな構造の制限、有効因果モデルを不必要に除外する。 これらの制約に対処するために,ブロック階層的な基底真理因果グラフの生成を利用した,観測不能な共起に対する明示的モデリング手法を提案する。 基底真理DAGを祖先グラフに変換するアルゴリズムは、因果発見アルゴリズムの出力を比較できるように提供される。 提案手法は,暗黙のパラメータ化によるパラメータ化を含む因果モデルの空間を完全にカバーし,因果発見と推論のための手法のより堅牢な評価を可能にする。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models [2.0738462952016232]
  関数因果モデルに基づく手法は、ユニークなグラフを識別することができるが、次元性の呪いや強いパラメトリックな仮定を課すことに苦しむ。 本研究では,局所的な因果構造を利用した観測データにおけるグローバル因果発見のための新しいハイブリッド手法を提案する。 我々は, 合成データに対する実証的な検証を行い, 正確性および最悪の場合の時間複雑度を理論的に保証する。
  論文  参考訳（メタデータ） (2024-05-23T12:28:16Z)
• BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
  マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。 本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。 我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
  論文  参考訳（メタデータ） (2023-07-26T02:34:13Z)
• Causal Discovery with Score Matching on Additive Models with Arbitrary Noise [37.13308785728276]
  因果発見法は、構造識別可能性を保証するために必要な仮定のセットによって本質的に制約される。 本稿では,雑音項のガウス性に反するエッジ反転のリスクを解析し,この仮説の下での推論の欠点を示す。 本稿では,一般的な雑音分布を持つ付加非線形モデルに基づいて生成されたデータから,因果グラフ内の変数の位相的順序付けを推定する新しい手法を提案する。 これは、最小限の仮定と、合成データに基づいて実験的にベンチマークされた技術性能の状態を持つ因果探索アルゴリズムであるNoGAMに繋がる。
  論文  参考訳（メタデータ） (2023-04-06T17:50:46Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• The Causal Marginal Polytope for Bounding Treatment Effects [9.196779204457059]
  グローバル因果モデルを構築することなく因果関係を同定する手法を提案する。 我々は,グローバル因果モデルを構築することなく,因果モデルの限界とデータとの整合性を強制する。 我々はこの局所的に一貫した辺縁の集合を、因果的辺縁ポリトープと呼ぶ。
  論文  参考訳（メタデータ） (2022-02-28T15:08:22Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• 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)
• Identification of Latent Variables From Graphical Model Residuals [0.0]
  本稿では,推定モデルの残差から遅延空間のプロキシを反復的に導出することにより,DAGを推定する際に潜伏空間を制御する新しい手法を提案する。 結果の予測の改善は本質的にカプセル化されており,既成モデルと比較して一定の限界を超えないことを示す。
  論文  参考訳（メタデータ） (2021-01-07T02:28:49Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)

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。