A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Enhancing Identification of Causal Effects by Pruning (2018)


Tikka, S., & Karvanen, J. (2018). Enhancing Identification of Causal Effects by Pruning. Journal of Machine Learning Research, 18, 1-23. http://www.jmlr.org/papers/volume18/17-563/17-563.pdf


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Tikka, Santtu; Karvanen, Juha

Lehti tai sarja: Journal of Machine Learning Research

ISSN: 1532-4435

eISSN: 1533-7928

Julkaisuvuosi: 2018

Volyymi: 18

Lehden numero: 0

Artikkelin sivunumerot: 1-23

Kustantaja: MIT Press

Julkaisumaa: Yhdysvallat (USA)

Julkaisun kieli: englanti

Pysyvä verkko-osoite: http://www.jmlr.org/papers/volume18/17-563/17-563.pdf

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/58881


Tiivistelmä

Causal models communicate our assumptions about causes and e ects in real-world phenomena. Often the interest lies in the identification of the e ect of an action which means deriving an expression from the observed probability distribution for the interventional distribution resulting from the action. In many cases an identifiability algorithm may return a complicated expression that contains variables that are in fact unnecessary. In practice this can lead to additional computational burden and increased bias or ine ciency of estimates when dealing with measurement error or missing data. We present graphical criteria to detect variables which are redundant in identifying causal e ects. We also provide an improved version of a well-known identifiability algorithm that implements these criteria.


YSO-asiasanat: koneoppiminen; päättely; kausaliteetti; tunnistaminen; algoritmit; leikkaus (kasvit)

Vapaat asiasanat: causal inference; identiafiability; causal model; algorithm


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty


OKM-raportointi: Kyllä

Raportointivuosi: 2018

JUFO-taso: 3


Viimeisin päivitys 2021-02-08 klo 10:25