論文の概要: Density Ratio-based Causal Discovery from Bivariate Continuous-Discrete Data

• arxiv url: http://arxiv.org/abs/2505.08371v2
• Date: Fri, 16 May 2025 02:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 12:32:17.885844
• Title: Density Ratio-based Causal Discovery from Bivariate Continuous-Discrete Data
• Title（参考訳）: 密度比に基づく二変量連続離散データからの因果発見
• Authors: Takashi Nicholas Maeda, Shohei Shimizu, Hidetoshi Matsui,
• Abstract要約: 連続変数の条件密度比の単調性を分析することによって因果方向を決定する新しい手法を提案する。 我々の理論的解析は、連続変数が離散変数を引き起こすとき条件密度比が単調性を示すが、逆方向ではないことを示す。 この特性は、異なるタイプの変数間の因果方向を、強い分布仮定や情報内容の違いから生じる偏見を伴わずに比較するための、原則化された基礎を提供する。
• 参考スコア（独自算出の注目度）: 5.142415132534398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a causal discovery method for mixed bivariate data consisting of one continuous and one discrete variable. Existing constraint-based approaches are ineffective in the bivariate setting, as they rely on conditional independence tests that are not suited to bivariate data. Score-based methods either impose strong distributional assumptions or face challenges in fairly comparing causal directions between variables of different types, due to differences in their information content. We introduce a novel approach that determines causal direction by analyzing the monotonicity of the conditional density ratio of the continuous variable, conditioned on different values of the discrete variable. Our theoretical analysis shows that the conditional density ratio exhibits monotonicity when the continuous variable causes the discrete variable, but not in the reverse direction. This property provides a principled basis for comparing causal directions between variables of different types, free from strong distributional assumptions and bias arising from differences in their information content. We demonstrate its effectiveness through experiments on both synthetic and real-world datasets, showing superior accuracy compared to existing methods.
• Abstract（参考訳）: 本稿では,1つの連続変数と1つの離散変数からなる混合二変量データの因果探索法を提案する。 既存の制約ベースのアプローチは、二変量データには適さない条件付き独立テストに依存するため、二変量設定では効果がない。 スコアベースの手法は、強い分布仮定を課すか、異なるタイプの変数間の因果方向を、情報内容の違いによって正確に比較する際の課題に直面する。 離散変数の異なる値に基づいて条件付き連続変数の条件密度比の単調性を分析することによって因果方向を決定する新しい手法を提案する。 我々の理論的解析は、連続変数が離散変数を引き起こすとき条件密度比が単調性を示すが、逆方向ではないことを示す。 この特性は、異なるタイプの変数間の因果方向を、強い分布仮定や情報内容の違いから生じる偏見を伴わずに比較するための、原則化された基礎を提供する。 合成および実世界の両方のデータセットで実験を行い、既存の手法と比較して精度が良いことを示す。

関連論文リスト

• A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
  因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。 我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。 提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
  論文  参考訳（メタデータ） (2024-03-13T08:40:49Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
  本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。 信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。 我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
  論文  参考訳（メタデータ） (2023-06-01T11:52:58Z)
• 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)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• A Nonparametric Test of Dependence Based on Ensemble of Decision Trees [0.0]
  提案した係数は、観測されたサンプルS_n : (X_i, Y_i), i = 1の量を定量化する置換様統計量である。 n は置換標本 S_nn : (X_i, Y_j) i, j = 1 から判別可能である。 2つの変数が独立している。
  論文  参考訳（メタデータ） (2020-07-24T02:48:33Z)
• Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism [2.28438857884398]
  因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。 2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-07-17T08:18:19Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。