論文の概要: Individual Causal Inference with Structural Causal Model

• arxiv url: http://arxiv.org/abs/2506.17300v1
• Date: Tue, 17 Jun 2025 21:24:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.325093
• Title: Individual Causal Inference with Structural Causal Model
• Title（参考訳）: 構造因果モデルを用いた個人因果推論
• Authors: Daniel T. Chang,
• Abstract要約: 個人因果推論(ICI)は、個人に対する介入の効果を理解し予測するために因果推論手法を用いる。 ほとんどの因果推論法は人口ベースである。 本稿では,構造因果モデル(SCM)を用いたICIを「Rung 3」因果推論として提案する。
• 参考スコア（独自算出の注目度）: 0.4548998901594072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individual causal inference (ICI) uses causal inference methods to understand and predict the effects of interventions on individuals, considering their specific characteristics / facts. It aims to estimate individual causal effect (ICE), which varies across individuals. Estimating ICE can be challenging due to the limited data available for individuals, and the fact that most causal inference methods are population-based. Structural Causal Model (SCM) is fundamentally population-based. Therefore, causal discovery (structural learning and parameter learning), association queries and intervention queries are all naturally population-based. However, exogenous variables (U) in SCM can encode individual variations and thus provide the mechanism for individualized population per specific individual characteristics / facts. Based on this, we propose ICI with SCM as a "rung 3" causal inference, because it involves "imagining" what would be the causal effect of a hypothetical intervention on an individual, given the individual's observed characteristics / facts. Specifically, we propose the indiv-operator, indiv(W), to formalize/represent the population individualization process, and the individual causal query, P(Y | indiv(W), do(X), Z), to formalize/represent ICI. We show and argue that ICI with SCM is inference on individual alternatives (possible), not individual counterfactuals (non-actual).
• Abstract（参考訳）: 個人因果推論(ICI)は、特定の特徴や事実を考慮して、個人に対する介入の影響を理解し予測するために因果推論手法を用いる。 個人によって異なる個人因果効果(ICE)を推定することを目的としている。 個人が利用可能なデータが少ないことや、ほとんどの因果推論手法が人口ベースであるという事実から、ICEの推定は困難である。 構造因果モデル (Structure Causal Model, SCM) は基本的に人口ベースである。 したがって、因果発見(構造学習とパラメータ学習)、関連クエリ、介入クエリはすべて自然に人口ベースである。 しかし、SCMにおける外因性変数(U)は、個々のバリエーションを符号化し、特定の個々の特徴/事実ごとに個体群を識別するメカニズムを提供する。 そこで本研究では,SCMを用いたICIを「Rung 3」因果推論として提案する。これは個人の観察された特徴・事実から,仮説的介入による因果効果を「想像」することによるものである。 具体的には,indiv-operator,indiv(W) を,集団の個別化過程を形式化/表現するために提案し,個別因果クエリ P(Y | indiv(W), do(X, Z) を形式化/表現するために提案する。 我々は、ICCとSCMは個別の代替品(可能性)の推測であり、個別の反事実(非現実)ではないことを示し、論じる。

関連論文リスト

• Beyond Single-Feature Importance with ICECREAM [0.4970364068620607]
  本稿では,変数の連立が対象変数の分布に与える影響に関する情報理論尺度を提案する。 合成および実世界のデータを用いた実験では、ICECREAMは説明可能性や根本原因分析において最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-19T06:48:33Z)
• 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)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
  本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。 我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。 理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
  論文  参考訳（メタデータ） (2022-03-27T08:08:33Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Causes of Effects: Learning individual responses from population data [23.593582720307207]
  個別化の問題とその医学への応用について研究する。 例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。 必要十分度(PNS)の確率に限界を当て、グラフィカルな基準や実用的応用とともに既存の研究を分析・拡大します。
  論文  参考訳（メタデータ） (2021-04-28T12:38:11Z)
• Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
  因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
  論文  参考訳（メタデータ） (2020-11-03T13:16:05Z)

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。