Invariant Causal Prediction with Local Models

要約

観測データからの候補のセットの中からターゲット変数の因果関係の親を特定するタスクを考えます。
私たちの主な仮定は、候補変数がさまざまな環境で観察され、特定の仮定の下では、観察されたシステムへの介入とみなされる可能性があるということです。
ターゲットと候補の間には線形関係があると仮定しますが、これは環境ごとに異なる可能性がありますが、因果構造が環境間で不変であるという唯一の制限があります。
私たちが提案した設定では、原因となる親の識別可能性のための十分な条件を提供し、L-ICP ($\textbf{L}$ocalized $\textbf{I}$nvariant $\textbf{Ca}$usal $\) と呼ばれる実用的な手法を導入します。
textbf{P}$rediction)、最小統計と最大統計の比率を使用した親識別の仮説検定に基づいています。
次に、L-ICP の統計検出力がサンプル サイズ内で指数関数的に速く収束することを簡略化した設定で示し、最後に、より一般的な設定で L-ICP の挙動を実験的に分析します。

要約(オリジナル)

We consider the task of identifying the causal parents of a target variable among a set of candidates from observational data. Our main assumption is that the candidate variables are observed in different environments which may, under certain assumptions, be regarded as interventions on the observed system. We assume a linear relationship between target and candidates, which can be different in each environment with the only restriction that the causal structure is invariant across environments. Within our proposed setting we provide sufficient conditions for identifiability of the causal parents and introduce a practical method called L-ICP ($\textbf{L}$ocalized $\textbf{I}$nvariant $\textbf{Ca}$usal $\textbf{P}$rediction), which is based on a hypothesis test for parent identification using a ratio of minimum and maximum statistics. We then show in a simplified setting that the statistical power of L-ICP converges exponentially fast in the sample size, and finally we analyze the behavior of L-ICP experimentally in more general settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google