論文の概要: Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms

• arxiv url: http://arxiv.org/abs/2502.20115v3
• Date: Fri, 26 Sep 2025 15:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 16:35:18.816218
• Title: Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
• Title（参考訳）: 非ガウス性のない多視点因果発見:識別可能性とアルゴリズム
• Authors: Ambroise Heurtebise, Omar Chehab, Pierre Ablin, Alexandre Gramfort, Aapo Hyvärinen,
• Abstract要約: 因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点因果探索アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 59.15672758767244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery is a difficult problem that typically relies on strong assumptions on the data-generating model, such as non-Gaussianity. In practice, many modern applications provide multiple related views of the same system, which has rarely been considered for causal discovery. Here, we leverage this multi-view structure to achieve causal discovery with weak assumptions. We propose a multi-view linear Structural Equation Model (SEM) that extends the well-known framework of non-Gaussian disturbances by alternatively leveraging correlation over views. We prove the identifiability of the model for acyclic SEMs. Subsequently, we propose several multi-view causal discovery algorithms, inspired by single-view algorithms (DirectLiNGAM, PairwiseLiNGAM, and ICA-LiNGAM). The new methods are validated through simulations and applications on neuroimaging data, where they enable the estimation of causal graphs between brain regions.
• Abstract（参考訳）: 因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 実際には、多くの現代的なアプリケーションが同じシステムの複数の関連するビューを提供しており、因果発見のために考慮されることはめったにない。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 我々は、ビュー上の相関を利用して、非ガウス乱のよく知られた枠組みを拡張する多視点線形構造方程式モデル(SEM)を提案する。 非環状SEMに対するモデルの同定可能性を証明する。 続いて,DirectLiNGAM,PairwiseLiNGAM,ICA-LiNGAMなどの単一ビューアルゴリズムに着想を得た多視点因果探索アルゴリズムを提案する。 新しい手法は、脳領域間の因果グラフの推定を可能にする、神経画像データへのシミュレーションと応用を通じて検証される。

関連論文リスト

• Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants [7.808674222118538]
  既存の手法では、相互に独立した潜在的共同創設者を仮定するか、観測変数間の因果関係を持つモデルを適切に扱うことができない。 本稿では,LvLiNGAMにおける因果DAGを同定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:15:20Z)
• Covariate-dependent Graphical Model Estimation via Neural Networks with Statistical Guarantees [18.106204331704156]
  グラフ構造が共依存する設定を検討し、それを推定するためのディープニューラルネットワークベースのアプローチを検討する。 経験的リスク最小化フレームワークで一般的に用いられる仮定の下で,PAC保証による理論的結果が確立される。 提案手法の性能をいくつかの合成データ設定で評価し,既存手法と比較した。
  論文  参考訳（メタデータ） (2025-04-23T02:13:36Z)
• Proximal Interacting Particle Langevin Algorithms [0.0]
  本稿では,潜時変動モデルにおける推論と学習のためのPIPLAアルゴリズムを提案する。 非微分不可能な統計モデルにおけるパラメータ推定の問題に合わせた、新しい近位IPLAファミリー内のいくつかの変種を提案する。 我々の理論と実験は、PIPLAファミリーが非微分可能モデルの潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示している。
  論文  参考訳（メタデータ） (2024-06-20T13:16:41Z)
• Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data [15.26007975367927]
  因果構造学習のための機能線形構造方程式モデルを提案する。 解釈可能性を高めるために,本モデルは低次元因果埋め込み空間を含む。 提案モデルが標準仮定の下で因果的同定可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-31T15:19:24Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Heteroscedastic Causal Structure Learning [2.566492438263125]
  ガウス雑音下での不連続因果構造学習問題に取り組む。 因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。 その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
  論文  参考訳（メタデータ） (2023-07-16T07:53:16Z)
• CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
  本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-10T04:20:36Z)
• Investigating the Impact of Model Misspecification in Neural Simulation-based Inference [1.933681537640272]
  本研究では,様々なモデルの誤識別が存在する場合のニューラルネットワークSBIアルゴリズムの挙動について検討する。 ミスセグメンテーションは、パフォーマンスに非常に有害な影響を及ぼす可能性があることに気付きました。 我々は、ニューラルネットワークSBIアルゴリズムが正確な結論を導出するために頼らなければならない場合、モデルの誤特定に対処するために新しいアプローチが必要であると結論付けた。
  論文  参考訳（メタデータ） (2022-09-05T09:08:16Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties of Non-Gaussian Distributions [3.1981440103815717]
  我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。 提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。 因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-06-02T09:33:05Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。