論文の概要: Probabilities of Causation in Nondeterministic Causal Models
- arxiv url: http://arxiv.org/abs/2611.18245v1
- Date: Fri, 13 Nov 2026 14:41:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.350129
- Title: Probabilities of Causation in Nondeterministic Causal Models
- Title(参考訳): 非決定論的因果モデルにおける因果関係の確率
- Abstract要約: 本研究では,非決定論的因果モデルにおける因果関係の確率について検討する。
非決定論的モデルに適したいくつかの仮定の下で、因果関係の確率に関する鋭い解析的境界を導出する。
- 参考スコア(独自算出の注目度): 7.246535921583788
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study probabilities of causation in nondeterministic causal models, where mechanisms may remain intrinsically stochastic even after all latent variables are fixed. Focusing on binary treatments and outcomes, we develop a generic identification program that represents observational and interventional data as moment constraints on latent stochastic mechanism types and computes minimal/maximal values of counterfactual quantities via constrained optimization. Within this framework, we derive sharp analytic bounds on the probabilities of causation under several assumptions tailored to nondeterministic models. Resulting identification regions are often more informative than those attainable under deterministic alternatives. We illustrate the practical relevance of these results in a case study on personalized treatment decisions and experiments on semi-synthetic datasets. Our results clarify how classical bounds relate to nondeterministic causal semantics, generalizing previous works and providing a unified route from qualitative structural restrictions to computable partial identification regions.
- Abstract(参考訳): 本研究では,非決定論的因果モデルにおける因果関係の確率について検討する。
本稿では,2値処理と結果に着目して,観測データと介入データを遅延確率的機構のモーメント制約として表現し,制約付き最適化による反事実量の最小値/最大値を算出する汎用的識別プログラムを開発する。
この枠組み内では、非決定論的モデルに適したいくつかの仮定の下で因果関係の確率の鋭い解析的境界を導出する。
結果の識別領域は、決定論的代替条件下で達成可能な領域よりも情報的になることが多い。
半合成データセットを用いたパーソナライズされた治療決定と実験のケーススタディにおいて,これらの結果の実用的妥当性について述べる。
本研究は,古典的境界が非決定論的因果意味論とどのように関連し,先行研究を一般化し,定性的構造制約から計算可能な部分同定領域への統一経路を提供するかを明らかにする。
関連論文リスト
- Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳(メタデータ) (2023-07-12T15:39:39Z) - 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) - 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) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳(メタデータ) (2022-08-29T16:16:22Z) - Stochastic Causal Programming for Bounding Treatment Effects [8.879868078611443]
因果効果の推定は自然科学や社会科学における多くの課題において重要である。
我々はフレキシブルな学習アルゴリズムとモンテカルロ法を用いて、因果プログラミングという名のソリューション群を実装している。
論文 参考訳(メタデータ) (2022-02-22T10:55:24Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳(メタデータ) (2021-07-21T14:22:14Z) - Causal Bias Quantification for Continuous Treatment [5.6968018940343885]
本研究では, 連続処理環境における限界因果効果と因果バイアスの新たな評価法を開発した。
条件付き確率分布に対する期待として表現できることを示す。
期待項の全ての項は、高度に非線形なモデルに対しても自動微分によって計算できる。
論文 参考訳(メタデータ) (2021-06-17T18:44:48Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳(メタデータ) (2020-08-02T11:19:36Z)
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。