Identifiability of causal graphs using functional models

Peters, J; Mooij, J; Janzing, D; Schölkopf, B

Identifiability of causal graphs using functional models

Peters, J., Mooij, J., Janzing, D., & Schölkopf, B. (2011). Identifiability of causal graphs using functional models. In F., Cozman, & A., Pfeffer (Eds.), 27th Conference on Uncertainty in Artificial Intelligence (UAI 2011) (pp. 589-598). Corvallis, OR, USA: AUAI Press.

Item is 公開

表示: 全項目非表示: 全項目

基本情報

表示: 非表示:

アイテムのパーマリンク: https://hdl.handle.net/11858/00-001M-0000-0013-BB1E-A 版のパーマリンク: https://hdl.handle.net/21.11116/0000-0002-0A97-9

資料種別: 会議論文

ファイル

表示: ファイル

作成者

表示:

非表示:

作成者:
Peters, J¹, 著者
Mooij, J, 著者
Janzing, D¹, 著者
Schölkopf, B¹, 著者

所属:
1Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society, DE, ou_1497647

内容説明

表示:

非表示:

キーワード: -

要旨: This work addresses the following question: Under what assumptions on the data generating process can one infer the causal graph from the joint distribution? The approach taken by conditional independencebased causal discovery methods is based on two assumptions: the Markov condition and faithfulness. It has been shown that under these assumptions the causal graph can be identified up to Markov equivalence (some arrows remain undirected) using methods like the PC algorithm. In this work we propose an alternative by Identifiable Functional Model Classes (IFMOCs). As our main theorem we prove that if the data generating process belongs to an IFMOC, one can identify the complete causal graph. To the best of our knowledge this is the first identifiability result of this kind that is not limited to linear functional relationships. We discuss how the IFMOC assumption and the Markov and faithfulness assumptions relate to each other and explain why we believe that the IFMOC assumption can be tested more easily on given data. We further provide a practical algorithm that recovers the causal graph from finitely many data; experiments on simulated data support the theoretical fndings.

資料詳細

表示:

非表示:

言語:

日付: 出版: 2011-07

出版の状態: 出版

ページ: -

出版情報: -

目次: -

査読: -

識別子（DOI, ISBNなど）: BibTex参照ID: PetersMJS2011

学位: -

訴訟

表示:

Project information

表示:

出版物 1

表示:

非表示:

出版物名: 27th Conference on Uncertainty in Artificial Intelligence (UAI 2011)

種別: 会議論文集

著者・編者:
Cozman, FG, 編集者
Pfeffer, A, 編集者

所属:
-

出版社, 出版地: Corvallis, OR, USA : AUAI Press

ページ: - 巻号: - 通巻号: - 開始・終了ページ: 589 - 598 識別子（ISBN, ISSN, DOIなど）: ISBN: 978-0-9749039-7-2

アイテム詳細

基本情報

ファイル

関連URL

作成者

内容説明

資料詳細

関連イベント

訴訟

Project information

出版物 1