教師付き機械学習を用いた観測科学のための因果発見【JST・京大機械翻訳】

Petersen Anne Helby; Ramsey Joseph; Ekstrom Claus Thorn; Spirtes Peter

プレプリント

J-GLOBAL ID：202202212754939356 整理番号：22P0295425

教師付き機械学習を用いた観測科学のための因果発見【JST・京大機械翻訳】

Causal discovery for observational sciences using supervised machine learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月25日プレプリントサーバーでの情報更新日： 2022年05月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

因果関係推定は因果関係を推定することができるが,データが実験的に収集されない場合,統計解析は事前指定因果モデルに依存する必要がある。因果発見アルゴリズムは,データからそのような因果モデルを構築するための経験的方法である。いくつかの漸近的に正しい方法が既に存在するが,それらは一般により小さなサンプルに strる。さらに,ほとんどの方法は,非常にスパースな因果モデルに焦点を合わせ,それは,必ずしも,実際のデータ生成メカニズムの現実的表現ではないかもしれない。最後に,この方法によって示唆された因果関係は,しばしば真実に保たれたが,因果的非関連性についてのそれらの主張は,高い誤り率を持つ。この非保存的誤りトレードオフは,観測科学にとって理想的ではなく,その結果得られたモデルは,因果推論を知らせるために直接使用される:多くの欠測因果関係を伴う因果モデルは,強い仮定を必要とし,偏った影響推定につながる可能性がある。著者らは,これらの3つの短所(スーパービジョン学習発見(SLdisco))を扱う新しい因果発見法を提案した。SLdiscoは教師つき機械学習を用いて,観測データから因果モデルの等価クラスへのマッピングを得た。Gaussデータに基づく大規模シミュレーション研究におけるSLdiscoを評価し,モデルサイズとサンプルサイズのいくつかの選択を考察した。SLdiscoは,既存の手順よりも,より保守的で,中程度に少ない情報量であり,サンプルサイズに対して感受性が低いことを見出した。さらに,実際の疫学的データ応用を提供した。ランダムサブサンプリングを用いて,小サンプルに関する実際のデータ性能を調べ,SLdiscoがサンプルサイズに対してそれほど敏感でないこと,従って,小さなデータセットで利用可能な情報をより良く活用するように思われる。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

システム・制御理論一般

, , ,

前のページに戻る