ترجمه فارسی مقاله کنترل عوامل مخدوش‌کننده‌ی گسسته و اندازه‌گیری نشده در مدل‌های علّی غیرخطی

چکیده

Unmeasured confounding is a major challenge for identifying causal relationships from non-experimental data. Here, we propose a method that can accommodate unmeasured discrete confounding. Extending recent identifiability results in deep latent variable models, we show theoretically that confounding can be detected and corrected under the assumption that the observed data is a piecewise affine transformation of a latent Gaussian mixture model and that the identity of the mixture components is confounded. We provide a flow-based algorithm to estimate this model and perform deconfounding. Experimental results on synthetic and real-world data provide support for the effectiveness of our approach.

چکیده به فارسی (ترجمه ماشینی)

مخدوش کننده غیرقابل اندازه گیری یک چالش اساسی برای شناسایی روابط علی از داده های غیر تجربی است.در اینجا ، ما روشی را پیشنهاد می کنیم که می تواند مخدوش گسسته ای بی اندازه را در خود جای دهد.با گسترش نتایج شناسایی اخیر در مدلهای متغیر عمیق نهفته ، ما از نظر تئوریک نشان می دهیم که با این فرض که داده های مشاهده شده یک تحول وابسته به یک مدل مخلوط گاوسی نهفته و هویت اجزای مخلوط است ، می توان مخدوش را تشخیص داد و اصلاح کرد.ما یک الگوریتم مبتنی بر جریان را برای برآورد این مدل ارائه می دهیم و دکوراسیون را انجام می دهیم.نتایج تجربی در مورد داده های مصنوعی و در دنیای واقعی پشتیبانی از اثربخشی رویکرد ما را فراهم می کند.