Learning to Recover Causal Relationship from Indefinite Data in the Presence of Latent Confounders

要約

タイトル： 未定義データの中で潜在的な混乱因子が存在する状況から因果関係を回復することを学ぶ。

要約：

– 因果発見において、未定義データと決定的なデータの2つのデータパラダイムを定義する。決定的なデータは、観測されたノードの単一値を持つ単一スケルトン構造である。未定義のデータは、多重スケルトン構造を持ち観測ノードが多重値を持つデータである。
– 多重スケルトンは低いサンプル利用率を誘発し、多くの値は分布仮定を扱えないため、未定義データから因果関係を回復することは今までほとんど探求されていなかった。
– 我々は、因果力変動モデルを設計して、これらの問題を解決する。具体的には、独立したノイズの代わりに因果力を潜在変数として活用し、エビデンス下限を中介する。
– この設計の理念により、異なるスケルトンの因果力は分布として扱われ、単一値因果グラフ行列として表現することができる。さらに、潜在混乱因子を考慮し、因果グラフをOとCの2つの関係性サブグラフに分割することができる。Oには観測ノード間の純粋な関係が含まれ、Cには潜在変数から観測ノードへの関係が含まれる。
– 我々は、これらの設計を混乱解消因果発見（biCD）としてまとめ、潜在の混乱因子の下で未定義データから因果表現を学習するために特別に設計されている。
– 最後に、我々は合成データと実世界のデータに関して包括的な実験を行い、我々の方法の有効性を証明する。

要約(オリジナル)

In Causal Discovery with latent variables, We define two data paradigms: definite data: a single-skeleton structure with observed nodes single-value, and indefinite data: a set of multi-skeleton structures with observed nodes multi-value. Multi,skeletons induce low sample utilization and multi values induce incapability of the distribution assumption, both leading that recovering causal relations from indefinite data is, as of yet, largely unexplored. We design the causal strength variational model to settle down these two problems. Specifically, we leverage the causal strength instead of independent noise as latent variable to mediate evidence lower bound. By this design ethos, The causal strength of different skeletons is regarded as a distribution and can be expressed as a single-valued causal graph matrix. Moreover, considering the latent confounders, we disentangle the causal graph G into two relatisubgraphs O and C. O contains pure relations between observed nodes, while C represents the relations from latent variables to observed nodes. We summarize the above designs as Confounding Disentanglement Causal Discovery (biCD), which is tailored to learn causal representation from indefinite data under the latent confounding. Finally, we conduct comprehensive experiments on synthetic and real-world data to demonstrate the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI