論文の概要: Clustering and Pruning in Causal Data Fusion

• arxiv url: http://arxiv.org/abs/2505.15215v1
• Date: Wed, 21 May 2025 07:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.199927
• Title: Clustering and Pruning in Causal Data Fusion
• Title（参考訳）: 因果データ融合におけるクラスタリングとプルーニング
• Authors: Otto Tabell, Santtu Tikka, Juha Karvanen,
• Abstract要約: Do-calculusは因果データ融合のための唯一の汎用ツールである。 本稿では,前処理操作としてプルーニング(不要変数の除去)とクラスタリング(組み合わせ変数)を提案する。
• 参考スコア（独自算出の注目度）: 1.0923877073891441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data fusion, the process of combining observational and experimental data, can enable the identification of causal effects that would otherwise remain non-identifiable. Although identification algorithms have been developed for specific scenarios, do-calculus remains the only general-purpose tool for causal data fusion, particularly when variables are present in some data sources but not others. However, approaches based on do-calculus may encounter computational challenges as the number of variables increases and the causal graph grows in complexity. Consequently, there exists a need to reduce the size of such models while preserving the essential features. For this purpose, we propose pruning (removing unnecessary variables) and clustering (combining variables) as preprocessing operations for causal data fusion. We generalize earlier results on a single data source and derive conditions for applying pruning and clustering in the case of multiple data sources. We give sufficient conditions for inferring the identifiability or non-identifiability of a causal effect in a larger graph based on a smaller graph and show how to obtain the corresponding identifying functional for identifiable causal effects. Examples from epidemiology and social science demonstrate the use of the results.
• Abstract（参考訳）: データ融合(Data fusion)は、観測データと実験データを組み合わせるプロセスであり、そうでなければ識別できない因果関係の特定を可能にする。 特定のシナリオに対して識別アルゴリズムが開発されたが、Do-calculusだけが因果データ融合のための汎用ツールであり、特に変数が一部のデータソースに存在するが他のデータソースには存在しない場合である。 しかし、変数の数が増え、因果グラフが複雑化するにつれて、do-calculusに基づくアプローチは計算上の課題に直面する可能性がある。 したがって、本質的な特徴を保ちながら、そのようなモデルのサイズを減らす必要がある。 そこで本研究では、因果データ融合のための前処理操作として、プルーニング(不要変数の除去)とクラスタリング(組み合わせ変数)を提案する。 我々は,1つのデータソースに関する先行結果を一般化し,複数のデータソースの場合,プルーニングとクラスタリングを適用するための条件を導出する。 より小さいグラフに基づいて、より大きなグラフにおいて因果効果の識別可能性や非識別性を推定するための十分な条件を与え、それに対応する因果効果の同定機能を得る方法を示す。 疫学や社会科学の例では、結果の使用が示されている。

関連論文リスト

• CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
  CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。 因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。 CAnDOITのPython実装も開発され、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-03T13:57:08Z)
• Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
  因果発見は、生物学的実験から機械的な洞察を明らかにする可能性がある。 因果グラフを予測するために,大規模合成データに基づいて学習した教師付きモデルを提案する。 我々のアプローチは、発見アルゴリズムの出力の典型的なエラーがデータセット間で比較できるという観察によって実現されている。
  論文  参考訳（メタデータ） (2024-02-02T21:57:58Z)
• 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)
• 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)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)

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。