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

要約

タイトル：潜在的な共変量の存在下で不明確なデータから因果関係を回復する学習

要約：

– 因果発見における2つのデータパラダイムを定義する：確定データ(観測ノードの単一値を持つ単一骨格構造)と不確定データ(観測ノードのマルチバリューを持つ複数の骨格構造の集合)
– マルチスケルトンは低いサンプル利用率をもたらしつつ、マルチバリューは分布仮定の不可能性を誘発し、不確定なデータから因果関係を回復することは現在では大きく未解決である
– 因果力変分モデルを設計し、これら2つの問題を解決する。具体的には、独立したノイズではなく因果力を潜在変数として利用し、証拠の下限を中介する。
– このデザイン手法により、異なるスケルトンの因果力は分布と見なされ、単一値の因果グラフ行列として表現される
– また、潜在的な共変量を考慮し、因果グラフGを2つの関係サブグラフOとCに分解する。Oは観測ノード間の純粋な関係を含み、一方で、Cは潜在変数から観測ノードへの関係を表す。
– 上記のデザインを混同解消因果探索(biCD)としてまとめ、潜在的な交絡を有する不明確なデータから因果表現を学習するために調整されている。
– 最後に、合成データと実世界データで包括的な実験を行い、我々の手法の効果を実証する。

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