論文の概要: Cyclic quantum causal modelling with a graph separation theorem

• arxiv url: http://arxiv.org/abs/2502.04168v2
• Date: Fri, 07 Feb 2025 10:13:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 11:34:36.609539
• Title: Cyclic quantum causal modelling with a graph separation theorem
• Title（参考訳）: グラフ分離定理を用いた周期量子因果モデリング
• Authors: Carla Ferradini, Victor Gitton, V. Vilasini,
• Abstract要約: 我々は、頑健な確率則と新しいグラフ分離特性、p-分離を導入し、これら全てのモデルに対して健全かつ完全であることを証明した。 提案手法は、選択後の量子テレポーテーションプロトコルを利用して、循環因果モデルから非巡回因果モデルにポストセレクションでマッピングする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Causal modelling frameworks link observable correlations to causal explanations, which is a crucial aspect of science. These models represent causal relationships through directed graphs, with vertices and edges denoting systems and transformations within a theory. Most studies focus on acyclic causal graphs, where well-defined probability rules and powerful graph-theoretic properties like the d-separation theorem apply. However, understanding complex feedback processes and exotic fundamental scenarios with causal loops requires cyclic causal models, where such results do not generally hold. While progress has been made in classical cyclic causal models, challenges remain in uniquely fixing probability distributions and identifying graph-separation properties applicable in general cyclic models. In cyclic quantum scenarios, existing frameworks have focussed on a subset of possible cyclic causal scenarios, with graph-separation properties yet unexplored. This work proposes a framework applicable to all consistent quantum and classical cyclic causal models on finite-dimensional systems. We address these challenges by introducing a robust probability rule and a novel graph-separation property, p-separation, which we prove to be sound and complete for all such models. Our approach maps cyclic causal models to acyclic ones with post-selection, leveraging the post-selected quantum teleportation protocol. We characterize these protocols and their success probabilities along the way. We also establish connections between this formalism and other classical and quantum frameworks to inform a more unified perspective on causality. This provides a foundation for more general cyclic causal discovery algorithms and to systematically extend open problems and techniques from acyclic informational networks (e.g., certification of non-classicality) to cyclic causal structures and networks.
• Abstract（参考訳）: 因果モデリングフレームワークは、観測可能な相関関係を因果的説明にリンクする。 これらのモデルは有向グラフを通して因果関係を表現し、頂点と辺は理論内のシステムや変換を表す。 ほとんどの研究は非巡回因果グラフ(英語版)(acyclic causal graph)に焦点をあて、そこではよく定義された確率規則とd-分離定理のような強力なグラフ理論的性質が適用される。 しかし、複雑なフィードバックプロセスと因果ループによるエキゾチックな基本的なシナリオを理解するには、一般には成り立たない巡回因果モデルが必要である。 古典的巡回因果モデルでは進展が見られたが、確率分布を一意に固定し、一般巡回モデルに適用可能なグラフ分離特性を特定することには課題が残っている。 サイクリック量子シナリオでは、既存のフレームワークは、グラフ分離性はまだ解明されていないが、循環因果シナリオのサブセットに焦点を当てている。 この研究は、有限次元系上の全ての一貫した量子および古典的巡回因果モデルに適用可能なフレームワークを提案する。 これらの課題は、頑健な確率規則と新しいグラフ分離特性、p-分離を導入することで解決される。 提案手法は、選択後の量子テレポーテーションプロトコルを利用して、循環因果モデルから非巡回因果モデルにポストセレクションでマッピングする。 その過程でこれらのプロトコルとその成功確率を特徴づける。 我々はまた、この形式主義と他の古典的および量子的フレームワークとの間の関係を確立し、因果関係についてより統一された視点を知らせる。 これにより、より一般的な循環因果発見アルゴリズムの基礎となり、非循環的な情報ネットワーク(例えば、非古典性認証)から循環因果構造やネットワークまで、オープンな問題とテクニックを体系的に拡張する。

関連論文リスト

• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Characterizing Hybrid Causal Structures with the Exclusivity Graph Approach [0.41942958779358674]
  グラフ理論の手法を拡張して、ハイブリッドシナリオにおける古典的、量子的、無シグナリング分布を探索する。 提案手法により,古典的,量子的,無シグナリングな動作を同時に区別できる最小のベル的不等式を構築することができることを示す。 この手法は量子ネットワークの研究や量子情報処理への応用のための強力なツールである。
  論文  参考訳（メタデータ） (2023-12-29T19:44:38Z)
• Targeted Reduction of Causal Models [55.11778726095353]
  因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。 本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。 複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
  論文  参考訳（メタデータ） (2023-11-30T15:46:22Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Causal Modeling with Stationary Diffusions [89.94899196106223]
  定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。 古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。 提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
  論文  参考訳（メタデータ） (2023-10-26T14:01:17Z)
• Causal models in string diagrams [0.0]
  因果モデル(英語版)の枠組みは、今日多くの科学的領域で適用されている因果推論に対する原則化されたアプローチを提供する。 本稿では,この枠組みを,圏論を用いて形式的に解釈した文字列図形言語に提示する。 因果モデルフレームワークによる因果推論は、最も自然かつ直感的に図式推論として行われることを議論し、実証する。
  論文  参考訳（メタデータ） (2023-04-15T21:54:48Z)
• Learning Relational Causal Models with Cycles through Relational Acyclification [16.10327013845982]
  本稿では,関係モデルに特化して設計されたテキスト・アサイクリフィケーションを提案する。 リレーショナルアサイクリゼーションと$sigma$-faithfulnessという仮定の下で、リレーショナル因果探索アルゴリズム RCD はサイクリックモデルに対して健全かつ完全であることを示す。
  論文  参考訳（メタデータ） (2022-08-25T17:00:42Z)
• A general framework for cyclic and fine-tuned causal models and their compatibility with space-time [2.0305676256390934]
  因果モデリングは、観測された相関の因果的説明を生成するためのツールである。 既存の量子因果関係の枠組みは、微調整されていない非巡回因果構造に焦点を当てる傾向がある。 サイクル因果モデルはフィードバックを含む物理的プロセスのモデル化に使用することができる。 サイクル因果モデルは一般相対性理論のエキゾチック解にも関係があるかもしれない。
  論文  参考訳（メタデータ） (2021-09-24T18:00:08Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Localisation in quasiperiodic chains: a theory based on convergence of local propagators [68.8204255655161]
  局所プロパゲータの収束に基づく準周期鎖に最も近いホッピングを持つ局所化の理論を提示する。 これらの連続分数の収束、局所化、あるいはその欠如を分析することは可能であり、それによって臨界点とモビリティエッジが帰結する。 結果は、振る舞いの範囲をカバーする3つの準周期モデルの理論を分析することで実証される。
  論文  参考訳（メタデータ） (2021-02-18T16:19:52Z)
• Structure Learning for Cyclic Linear Causal Models [5.567377163246147]
  観測データに基づく線形因果モデルにおける構造学習の問題点を考察する。 循環型混成グラフによって与えられるモデルを扱うことで、フィードバックループと潜伏した共同設立者の影響を可能とします。
  論文  参考訳（メタデータ） (2020-06-10T17:47:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。