論文の概要: Meta-Dependence in Conditional Independence Testing

• arxiv url: http://arxiv.org/abs/2504.12594v1
• Date: Thu, 17 Apr 2025 02:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:38:12.980598
• Title: Meta-Dependence in Conditional Independence Testing
• Title（参考訳）: 条件付き独立テストにおけるメタ依存
• Authors: Bijan Mazaheri, Jiaqi Zhang, Caroline Uhler,
• Abstract要約: 本稿では,次の幾何学的直観を用いた条件独立性間の「メタ依存性」について検討する。 本稿では,このメタ依存性を情報投影を用いて簡易に計測し,実世界の合成データと実世界のデータの両方を用いて実験的な結果の統合を行う。
• 参考スコア（独自算出の注目度）: 11.302018782958205
• License:
• Abstract: Constraint-based causal discovery algorithms utilize many statistical tests for conditional independence to uncover networks of causal dependencies. These approaches to causal discovery rely on an assumed correspondence between the graphical properties of a causal structure and the conditional independence properties of observed variables, known as the causal Markov condition and faithfulness. Finite data yields an empirical distribution that is "close" to the actual distribution. Across these many possible empirical distributions, the correspondence to the graphical properties can break down for different conditional independencies, and multiple violations can occur at the same time. We study this "meta-dependence" between conditional independence properties using the following geometric intuition: each conditional independence property constrains the space of possible joint distributions to a manifold. The "meta-dependence" between conditional independences is informed by the position of these manifolds relative to the true probability distribution. We provide a simple-to-compute measure of this meta-dependence using information projections and consolidate our findings empirically using both synthetic and real-world data.
• Abstract（参考訳）: 制約に基づく因果探索アルゴリズムは、因果関係のネットワークを明らかにするために条件独立性のための多くの統計的テストを利用する。 これらの因果発見へのアプローチは、因果構造のグラフィカルな性質と、因果マルコフ条件と忠実性として知られる観察された変数の条件的独立性の間の仮定された対応に依存する。 有限データは実際の分布に「近い」経験的分布をもたらす。 これら多くの可能な経験的分布の中で、グラフィカルな性質への対応は異なる条件の不依存性に対して分解され、同時に複数の違反が発生する可能性がある。 各条件独立性は、多様体への結合分布の空間を制約する。 条件付き独立性の間の「Meta-dependence」は、真の確率分布に対してこれらの多様体の位置によって通知される。 本稿では,このメタ依存性を情報投影を用いて簡易に計測し,実世界の合成データと実世界のデータの両方を用いて実験的な結果の統合を行う。

関連論文リスト

• Conditional Dependence via U-Statistics Pruning [11.552000005640203]
  本稿では,次数2の不完全偏り統計を用いた条件依存の新しい尺度を提案する。 提案手法はHilbert-Schmidt独立基準の拡張として記述されており、これは4タプルのデータを操作するカーネルを通して表現可能である。
  論文  参考訳（メタデータ） (2024-10-21T11:06:09Z)
• On Discovery of Local Independence over Continuous Variables via Neural Contextual Decomposition [26.34622544479565]
  親変数の協調代入の特定のセットに係わる地域独立関係を定義し,特徴づける。 そこで我々は,各集合にCSSIを誘導させることによって,その分割を学習するニューラルコンテクスト分解(NCD)を提案する。
  論文  参考訳（メタデータ） (2024-05-12T08:48:37Z)
• 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)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Non-Parametric Inference of Relational Dependence [17.76905154531867]
  本研究では,関係系から引き出されたデータの独立性を推定する問題について検討する。 我々は,非観測データに対する関係独立性試験を運用するために,一貫した,非パラメトリックでスケーラブルなカーネルテストを提案する。
  論文  参考訳（メタデータ） (2022-06-30T03:42:20Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Exploiting Independent Instruments: Identification and Distribution Generalization [3.701112941066256]
  我々は、より高い瞬間を考慮に入れ、分布一般化の独立性を利用する。 提案した推定器は楽器の分布シフトに不変であることを示す。 これらの結果は、楽器が因果関数を識別するのに十分な豊かでない場合においても成り立つ。
  論文  参考訳（メタデータ） (2022-02-03T21:49:04Z)
• Transitional Conditional Independence [0.0]
  遷移確率空間と遷移確率変数を紹介する。 これらの構造は(条件付き)ランダム変数と非確率変数の概念を一般化し、強化し、以前の概念である。
  論文  参考訳（メタデータ） (2021-04-23T11:52:15Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。