Causal Learning for Heterogeneous Subgroups Based on Nonlinear Causal Kernel Clustering

要約

多様な環境から収集されたマルチソースと不均一なデータによってもたらされる課題により、機能間の因果関係は、異なる時間スパン、領域、または戦略の影響を受けるバリエーションを示す可能性があります。
この多様性により、すべての観察データにおける複雑な因果関係を正確に表すには、単一の因果モデルが不十分になります。これは、因果学習における重要な考慮事項です。
この課題に対処するために、不均一なサブグループ因果学習のために非線形因果カーネルクラスタリング法が導入され、多様なサブグループ間の因果関係の変動を強調します。
\ textColor {new} {クラスタリング不均一なサブグループのメインコンポーネントは、さまざまなサンプルの潜在的な非線形因果関係の違いを評価し、因果関係によってサポートされている潜在的な非線形因果関係の違いを評価する、$ u $ centeredサンプルマッピング関数の構築にあります。
識別可能性理論。}実験結果は、この方法が不均一なサブグループを識別し、因果学習を強化し、予測エラーの減少につながることを示しています。

要約(オリジナル)

Due to the challenge posed by multi-source and heterogeneous data collected from diverse environments, causal relationships among features can exhibit variations influenced by different time spans, regions, or strategies. This diversity makes a single causal model inadequate for accurately representing complex causal relationships in all observational data, a crucial consideration in causal learning. To address this challenge, the nonlinear Causal Kernel Clustering method is introduced for heterogeneous subgroup causal learning, highlighting variations in causal relationships across diverse subgroups. \textcolor{new}{The main component for clustering heterogeneous subgroups lies in the construction of the $u$-centered sample mapping function with the property of unbiased estimation, which assesses the differences in potential nonlinear causal relationships in various samples and supported by causal identifiability theory.} Experimental results indicate that the method performs well in identifying heterogeneous subgroups and enhancing causal learning, leading to a reduction in prediction error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google