論文の概要: Assimilative Causal Inference

• arxiv url: http://arxiv.org/abs/2505.14825v1
• Date: Tue, 20 May 2025 18:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.707356
• Title: Assimilative Causal Inference
• Title（参考訳）: 擬似因果推論
• Authors: Marios Andreou, Nan Chen, Erik Bollt,
• Abstract要約: 因果推論は変数間の因果関係を決定する。 ACI(assimilative causal inference)と呼ばれる新しい因果推論フレームワークが開発されている。
• 参考スコア（独自算出の注目度）: 1.4322470793889193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal inference determines cause-and-effect relationships between variables and has broad applications across disciplines. Traditional time-series methods often reveal causal links only in a time-averaged sense, while ensemble-based information transfer approaches detect the time evolution of short-term causal relationships but are typically limited to low-dimensional systems. In this paper, a new causal inference framework, called assimilative causal inference (ACI), is developed. Fundamentally different from the state-of-the-art methods, ACI uses a dynamical system and a single realization of a subset of the state variables to identify instantaneous causal relationships and the dynamic evolution of the associated causal influence range (CIR). Instead of quantifying how causes influence effects as done traditionally, ACI solves an inverse problem via Bayesian data assimilation, thus tracing causes backward from observed effects with an implicit Bayesian hypothesis. Causality is determined by assessing whether incorporating the information of the effect variables reduces the uncertainty in recovering the potential cause variables. ACI has several desirable features. First, it captures the dynamic interplay of variables, where their roles as causes and effects can shift repeatedly over time. Second, a mathematically justified objective criterion determines the CIR without empirical thresholds. Third, ACI is scalable to high-dimensional problems by leveraging computationally efficient Bayesian data assimilation techniques. Finally, ACI applies to short time series and incomplete datasets. Notably, ACI does not require observations of candidate causes, which is a key advantage since potential drivers are often unknown or unmeasured. The effectiveness of ACI is demonstrated by complex dynamical systems showcasing intermittency and extreme events.
• Abstract（参考訳）: 因果推論は変数間の因果関係を決定づけ、分野にわたって幅広い応用を持つ。 従来の時系列法では、時間平均的な意味でのみ因果関係を明らかにすることが多いが、アンサンブルに基づく情報伝達手法は、短期的な因果関係の時間的進化を検出するが、通常は低次元システムに限られる。 本稿では,Assimilative causal inference (ACI)と呼ばれる新しい因果推論フレームワークを開発した。 基本的に最先端の手法と異なり、ACIは動的システムと状態変数のサブセットの単一実現を使用して、瞬時因果関係と関連する因果影響範囲(CIR)の動的進化を特定する。 従来の影響要因の定量化の代わりに、ACIはベイズデータの同化を通じて逆問題を解き、暗黙のベイズ仮説で観測された影響から後方に追跡する。 影響変数の情報を組み込むことで、潜在的な原因変数の回復における不確実性を低下させるかどうかを評価することにより、因果性を決定する。 ACIにはいくつかの望ましい特徴がある。 まず、変数の動的相互作用をキャプチャし、原因や効果としての役割は時間とともに繰り返し変化する。 第二に、数学的に正当化された客観的基準は、経験しきい値のないCIRを決定する。 第3に、ACIは計算効率のよいベイズデータ同化技術を活用することにより、高次元問題にスケーラブルである。 最後に、ACIは短い時系列と不完全なデータセットに適用する。 特に、ACIは候補原因の観察を必要としないが、これは潜在的なドライバーがしばしば未知または未測定であるため重要な利点である。 ACIの有効性は、断続性と極端な事象を示す複雑な力学系によって示される。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Review on Causality Detection Based on Empirical Dynamic Modeling [0.0]
  経験的動的モデリングは、動的システムのモデリングのためのデータ駆動フレームワークとして登場します。 本稿では,動的システム内の変数間の因果関係の時系列データによる検出について検討する。
  論文  参考訳（メタデータ） (2023-12-26T07:25:12Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• iCITRIS: Causal Representation Learning for Instantaneous Temporal Effects [36.358968799947924]
  因果表現学習は、基礎となる因果変数とその関係を高次元観測から識別するタスクである。 時間的シーケンスにおける瞬時効果を処理できる因果表現学習法iCITRISを提案する。 3つのビデオデータセットの実験において、iCITRISは因果因子とその因果グラフを正確に識別する。
  論文  参考訳（メタデータ） (2022-06-13T13:56:40Z)
• 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)

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。