論文の概要: Computational Identifiability

• arxiv url: http://arxiv.org/abs/2606.19361v1
• Date: Mon, 08 Jun 2026 19:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.811234
• Title: Computational Identifiability
• Title（参考訳）: 計算的識別可能性
• Authors: Lucius E. J. Bynum, Rajesh Ranganath, Kyunghyun Cho,
• Abstract要約: 「自己同一性」は性質、無限のデータ、その他の数学的に理想化された条件を仮定する。 「計算的識別可能性」とは、経験的推定器に対する有限計算探索手順を定義することである。 このフレームワークは、どのようにしてきめ細かな、実用的な識別問題に答えられるかを示します。
• 参考スコア（独自算出の注目度）: 58.12019389497595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identification conditions describe the computability of a target query or parameter of interest as a function of the type and amount of information available. In causal identification, this information is often expressed in the form of a causal graph, and data are observed or collected for some subset of variables in the graph. Target queries may be for a single effect alone or for a class of effects in a given model. The derivation of an identification algorithm then defines mathematically the process by which the desired causal effect(s) can be uniquely determined, theoretically, in expectation. Identifiability in expectation, or 'theoretical identifiability,' generally assumes asymptotic properties, infinite data, or other mathematically idealized conditions. In this paper, we explore a fundamental distinction between this theoretical, idealized notion of identifiability and a proposed alternative that is computation-bound. The framework we propose - 'computational identifiability' - is to instead define a finite computational search procedure for an empirical estimator. If this process finds an estimator empirically, within a desired error tolerance, then identifiability is satisfied, conditional on the specified assumptions of the search (i.e., a prior distribution over the parameters) and conditional on the search procedure itself. Through several experiments, we demonstrate how this framework allows us to answer fine-grained, practical identification questions, such as identification with small finite samples, with ambiguous graphical criteria, with mixed observational-interventional data, and across counterfactual data and estimands. Code is available at https://github.com/lbynum/metadentify.
• Abstract（参考訳）: 識別条件は、対象クエリの計算可能性や興味のパラメータを、利用可能な情報の種類と量の関数として記述する。 因果同定において、この情報はしばしば因果グラフの形で表現され、グラフ内の変数のいくつかの部分集合に対してデータが観測または収集される。 ターゲットクエリは、単一のエフェクトのみ、あるいは与えられたモデルのエフェクトのクラスのためにもよい。 同定アルゴリズムの導出は、予測において、所望の因果効果(s)が一意的に理論的に決定できる過程を数学的に定義する。 予想における識別可能性(theoretical identifiability)は、一般に漸近的性質、無限のデータ、あるいは他の数学的に理想化された条件を仮定する。 本稿では, この理論的, 理想化された識別可能性の概念と, 計算バウンドの代替案との根本的な相違について検討する。 計算的識別可能性」という枠組みは、経験的推定器の有限計算探索手順を定義することを目的としている。 このプロセスが実験的に、所望のエラー許容範囲内で推定器を発見すれば、特定可能性は満足され、探索の特定の仮定(例えば、パラメータの事前分布)と探索手順自体の条件が満たされる。 いくつかの実験を通じて、このフレームワークが、小さな有限標本による識別、曖昧なグラフィカルな基準による識別、観察と干渉の混合データ、反ファクト的なデータと推定などの、きめ細かい、実用的な識別問題にどのように答えることができるかを実証した。 コードはhttps://github.com/lbynum/metadentify.comで入手できる。

関連論文リスト

• Identifying Information from Observations with Uncertainty and Novelty [7.088298584035036]
  本稿では、異なる状態間の関係を表現するために使用される言語から生じる識別可能な情報の概念を定式化する。 計算可能なPAC-Bayes学習者のサンプル複雑性分布は、そのモーメントによって、固定有限仮説集合上の事前確率分布によって決定されることを示す。
  論文  参考訳（メタデータ） (2025-01-16T07:02:05Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• 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)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• The Proximal ID Algorithm [9.190358641395848]
  観測データから有効な因果結論を確立するための基本的な障害である。 我々は因果推論における同定に対する前者および後者のアプローチの合成を開発する。 弊社のやり方では、プロキシを体系的に利用して、保存されていない共同ファウンダーの存在を調整できる。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)
• 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)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Identifying Causal Effects via Context-specific Independence Relations [9.51801023527378]
  因果効果の同定は、介入確率分布が受動的に観察された分布から一意に決定できるかどうかを考える。 我々は、文脈固有の独立関係の存在下で、因果効果の非識別性を決定することはNPハードであることを示す。 そこで我々は,CSIの存在下での因果関係を識別する計算法と自動探索法を設計した。
  論文  参考訳（メタデータ） (2020-09-21T11:38:15Z)

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。