論文の概要: Multi-Domain Causal Discovery in Bijective Causal Models

• arxiv url: http://arxiv.org/abs/2504.21261v1
• Date: Wed, 30 Apr 2025 02:30:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 22:51:12.188397
• Title: Multi-Domain Causal Discovery in Bijective Causal Models
• Title（参考訳）: 客観的因果モデルにおけるマルチドメイン因果発見
• Authors: Kasra Jalaldoust, Saber Salehkaleybar, Negar Kiyavash,
• Abstract要約: 因果図は, 従来の研究と比較して, 制約の少ない機能仮定の下で発見できることが示される。 我々は、加算雑音モデル、LiNGAM、ポスト非線形モデル、位置スケールノイズモデルを含む様々なモデルを一般化する。
• 参考スコア（独自算出の注目度）: 23.037286333436278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of causal discovery (a.k.a., causal structure learning) in a multi-domain setting. We assume that the causal functions are invariant across the domains, while the distribution of the exogenous noise may vary. Under causal sufficiency (i.e., no confounders exist), we show that the causal diagram can be discovered under less restrictive functional assumptions compared to previous work. What enables causal discovery in this setting is bijective generation mechanisms (BGM), which ensures that the functional relation between the exogenous noise $E$ and the endogenous variable $Y$ is bijective and differentiable in both directions at every level of the cause variable $X = x$. BGM generalizes a variety of models including additive noise model, LiNGAM, post-nonlinear model, and location-scale noise model. Further, we derive a statistical test to find the parents set of the target variable. Experiments on various synthetic and real-world datasets validate our theoretical findings.
• Abstract（参考訳）: マルチドメイン環境における因果発見(因果構造学習)の問題点を考察する。 因果関数は各領域で不変であるが,外因性雑音の分布は様々である。 因果関係の十分さ(すなわち、共同創設者は存在しない)の下では、因果関係図は以前の研究と比べて制約の少ない機能的仮定の下で発見できることが示される。 この設定で因果発見を可能にするのは、単射生成機構(BGM)である。これは、外因性ノイズ$E$と内因性変数$Y$との関数関係が、原因変数$X = x$のすべてのレベルにおいて、両方の方向において単射かつ微分可能であることを保証する。 BGMは、加算ノイズモデル、LiNGAM、ポスト非線形モデル、位置スケールノイズモデルを含む様々なモデルを一般化する。 さらに,対象変数の親集合を見つけるための統計的検査を導出する。 様々な合成および実世界のデータセットの実験は、我々の理論的な結果を検証する。

関連論文リスト

• 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)
• Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
  本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。 本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。 また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
  論文  参考訳（メタデータ） (2023-06-20T04:19:06Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing [19.23479356810746]
  因果発見の根本的な問題は因果推論であり、2つの確率変数間の正しい因果方向を学習する。 最近導入されたヘテロセダスティックな位置スケールノイズ汎関数モデル(LSNM)は、表現力と識別可能性の保証を組み合わせたものである。 雑音分布が正しく特定された場合,LSNMモデル選択が最先端の精度を実現することを示す。
  論文  参考訳（メタデータ） (2023-01-26T20:48:32Z)
• On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
  位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。 症例によっては, 因果方向が同定可能であることが示唆された。 我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2022-10-13T17:18:59Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Causal Identification with Additive Noise Models: Quantifying the Effect of Noise [5.037636944933989]
  本研究では,異なる雑音レベルが付加雑音モデルに及ぼす影響について検討し,因果関係の方向を同定する。 加法雑音のレベルが原因雑音の1%から10000%に徐々に変化するような網羅的な範囲のモデルを用いる。 実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。
  論文  参考訳（メタデータ） (2021-10-15T13:28:33Z)
• 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)
• The Effect of Noise Level on Causal Identification with Additive Noise Models [0.0]
  本研究では,雑音レベルの違いが付加雑音モデルに及ぼす影響を考察し,因果関係の方向を同定する。 textitRegression with Subsequent Independence Test とtextitIdentification using Conditional Variances の2つの方法が選択された。 実験の結果、これらの手法はある種のノイズに対して真の因果方向を捉えることができないことが示された。
  論文  参考訳（メタデータ） (2021-08-24T11:18:41Z)
• 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)
• Information-Theoretic Approximation to Causal Models [0.0]
  有限標本から2つの確率変数間の因果方向と因果効果を推定する問題の解法が可能であることを示す。 X と Y のサンプルから生じる分布を高次元確率空間に埋め込む。 本稿では, 線形最適化問題を解くことにより, 因果モデル(IACM)に対する情報理論近似が可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-29T18:34:58Z)

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。