論文の概要: Characterization and Learning of Causal Graphs from Hard Interventions

• arxiv url: http://arxiv.org/abs/2505.01037v1
• Date: Fri, 02 May 2025 06:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.932921
• Title: Characterization and Learning of Causal Graphs from Hard Interventions
• Title（参考訳）: ハードインターベンションからの因果グラフのキャラクタリゼーションと学習
• Authors: Zihan Zhou, Muhammad Qasim Elahi, Murat Kocaoglu,
• Abstract要約: 因果発見は、観測データ中の条件独立性(CI)不変性をd-セパレーションを介して対応するグラフィカル制約にリンクすることを含む。 本稿では、ハード介入の枠組みの中で、Pearlのdo-calusと基本的に結びついているグラフィカル制約の集合を提案する。 また、ハード介入から複数のデータセットを統合する学習アルゴリズムを提案し、新しいルールを導入する。
• 参考スコア（独自算出の注目度）: 6.823521786512908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental challenge in the empirical sciences involves uncovering causal structure through observation and experimentation. Causal discovery entails linking the conditional independence (CI) invariances in observational data to their corresponding graphical constraints via d-separation. In this paper, we consider a general setting where we have access to data from multiple experimental distributions resulting from hard interventions, as well as potentially from an observational distribution. By comparing different interventional distributions, we propose a set of graphical constraints that are fundamentally linked to Pearl's do-calculus within the framework of hard interventions. These graphical constraints associate each graphical structure with a set of interventional distributions that are consistent with the rules of do-calculus. We characterize the interventional equivalence class of causal graphs with latent variables and introduce a graphical representation that can be used to determine whether two causal graphs are interventionally equivalent, i.e., whether they are associated with the same family of hard interventional distributions, where the elements of the family are indistinguishable using the invariances from do-calculus. We also propose a learning algorithm to integrate multiple datasets from hard interventions, introducing new orientation rules. The learning objective is a tuple of augmented graphs which entails a set of causal graphs. We also prove the soundness of the proposed algorithm.
• Abstract（参考訳）: 経験科学における根本的な課題は、観察と実験を通じて因果構造を明らかにすることである。 因果発見は、観測データの条件独立性(CI)不変性と、d-セパレーションによる対応するグラフィカル制約を関連付ける。 本稿では、ハード介入による複数の実験分布からのデータと、観測分布からのデータにアクセス可能な一般的な設定について考察する。 異なる介入分布を比較することで、ハード介入の枠組みの中で、パールのdo-calusと基本的に結びついているグラフィカルな制約の集合を提案する。 これらのグラフィカル制約は、各グラフィカル構造と、do-calculusの規則と整合した介入分布の集合を関連付ける。 我々は、潜伏変数を持つ因果グラフの相互同値類を特徴付けるとともに、2つの因果グラフが相互同値であるか否かを判定するためのグラフィカル表現を導入する。 また、ハード介入から複数のデータセットを統合する学習アルゴリズムを提案し、新しいオリエンテーションルールを導入する。 学習目的は、一連の因果グラフを含む拡張グラフのタプルである。 また,提案アルゴリズムの健全性も証明する。

関連論文リスト

• Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
  本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。 我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。 本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:47:56Z)
• Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
  因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。 オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。 グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ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） (2024-05-19T13:26:33Z)
• 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)
• A continuous Structural Intervention Distance to compare Causal Graphs [5.477914707166288]
  距離は、各ノードの組込み介入分布に基づいている。 合成データに対する数値実験で検証した理論的結果を示す。
  論文  参考訳（メタデータ） (2023-07-31T07:20:26Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)

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。