Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Chervonenkis’s Recollections Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

18. Justifying Information-Geometric Causal Inference

verfasst von : Dominik Janzing, Bastian Steudel, Naji Shajarisales, Bernhard Schölkopf

Erschienen in: Measures of Complexity

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Information-Geometric Causal Inference (IGCI) is a new approach to distinguish between cause and effect for two variables. It is based on an independence assumption between input distribution and causal mechanism that can be phrased in terms of orthogonality in information space. We describe two intuitive reinterpretations of this approach that make IGCI more accessible to a broader audience. Moreover, we show that the described independence is related to the hypothesis that unsupervised learning and semi-supervised learning only work for predicting the cause from the effect and not vice versa.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Algorithmic Statistics Revisited
Nächstes Kapitel Interpretation of Black-Box Predictive Models
Fußnoten
1
Strictly speaking, this applies to the case of pattern recognition, and it is a little more complex for regression estimation.
 
2
For example, the task might be digit recognition, but the Universum points are letters.
 
3
Note that marginalization of \(P_{X\rightarrow Y}(\mathbf{x},f,\mathbf{y})\) to \(\mathbf{x},\mathbf{y}\) yields the same distribution as in Sect. 18.3 up to the technical modifications of having fixed endpoints and surjective functions.
 
4
Note that more precise statements would require lower bounds on \(\log \overrightarrow{p}^f\) and upper bounds on \(p_Y\), which goes beyond the scope of this chapter.
 
Literatur
1.
Amari, S., Nagaoka, H.: Methods of Information Geometry. Oxford University Press, New York (1993)
2.
Chapelle, O., Schölkopf, B., Zien, A.: Semi-supervised Learning. MIT Press, Cambridge (2010)
3.
Cover, T., Thomas, J.: Elements of Information Theory. Wiley Series in Telecommunications. Wiley, New York (1991)CrossRefMATH
4.
Daniušis, P., Janzing, D., Mooij, J., Zscheischler, J., Steudel, B., Zhang, K., Schölkopf, B.: Inferring deterministic causal relations. In: Proceedings of the Twenty Sixth Conference on Uncertainty in Artificial Intelligence (UAI), pp. 143–150. AUAI, Corvallis (2010)
5.
Hoyer, P., Janzing, D., Mooij, J., Peters, J., Schölkopf, B.: Nonlinear causal discovery with additive noise models. In: Koller, D., Schuurmans, D., Bengio, Y., Bottou, L. (eds.) Advances in Neural Information Processing Systems 21 (NIPS 2008), pp. 689–696. MIT Press, Cambridge (2009)
6.
Janzing, D., Mooij, J., Zhang, K., Lemeire, J., Zscheischler, J., Daniušis, P., Steudel, B., Schölkopf, B.: Information-geometric approach to inferring causal directions. Artif. Intell. 182–183, 1–31 (2012)CrossRef
7.
Janzing, D., Schölkopf, B.: Causal inference using the algorithmic Markov condition. IEEE Trans. Inf. Theory 56(10), 5168–5194 (2010)CrossRef
8.
Lemeire, J., Janzing, D.: Replacing causal faithfulness with algorithmic independence of conditionals. Minds Mach. 23(2), 227–249 (2013)CrossRef
9.
Li, M., Vitányi, P.: An Introduction to Kolmogorov Complexity and Its Applications. Springer, New York (1997) (3rd edn. 2008)
10.
Pearl, J.: Causality: Models, Reasoning, and Inference. Cambridge University Press, Cambridge (2000)
11.
Peters, J., Janzing, D., Schölkopf, B.: Identifying cause and effect on discrete data using additive noise models. In: Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics (AISTATS 2010), Journal of Machine Learning Research: Workshop and Conference Proceedings, vol. 9, pp. 597–604 (2010)
12.
Peters, J., Janzing, D., Schölkopf, B.: Causal inference on discrete data using additive noise models. IEEE Trans. Pattern Anal. Mach. Intell. 33(12), 2436–2450 (2011)CrossRef
13.
Peters, J., Mooij, J., Janzing, D., Schölkopf, B.: Identifiability of causal graphs using functional models. In: Proceedings of the Twenty Seventh Conference on Uncertainty in Artificial Intelligence (UAI), pp. 589–598. AUAI, Corvallis (2011)
14.
Schölkopf, B., Janzing, D., Peters, J., Sgouritsa, E., Zhang, K., Mooij, J.: On causal and anticausal learning. In: Proceedings of Twenty Ninth International Conference on Machine Learning (ICML 2012) (2012)
15.
Sinz, F.H., Chapelle, O., Agarwal, A., Schölkopf, B.: An analysis of inference with the universum. In: Platt, J.C., Koller, D., Singer, Y., Roweis, S. (eds.) Advances in Neural Information Processing Systems 20 (NIPS 2007), pp. 1369–1376. MIT Press, Cambridge (2008)
16.
Spirtes, P., Glymour, C., Scheines, R.: Causation, Prediction, and Search. Lecture Notes in Statistics, vol. 81. Springer, New York (1993)CrossRefMATH
17.
Vapnik, V.: Estimation of Dependences Based on Empirical Data. Statistics for Engineering and Information Science, 2nd edn. Springer, New York (2006)MATH
18.
Weston, J., Collobert, R., Sinz, F., Bottou, L., Vapnik, V.: Inference with the universum. In: Proceedings of the Twenty Third International Conference on Machine learning (ICML), pp. 1009–1016. ACM (2006)
19.
Zhang, K., Hyvärinen, A.: On the identifiability of the post-nonlinear causal model. In: Proceedings of the Twenty Fifth Conference on Uncertainty in Artificial Intelligence (UAI), pp. 647–655. AUAI, Corvallis (2009)
Metadaten
Titel
Justifying Information-Geometric Causal Inference
verfasst von
Dominik Janzing
Bastian Steudel
Naji Shajarisales
Bernhard Schölkopf
Copyright-Jahr
2015
Buch
Measures of Complexity

Print ISBN: 978-3-319-21851-9

Electronic ISBN: 978-3-319-21852-6

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-21852-6_18