論文の概要: Local Markov Equivalence and Local Causal Discovery for Identifying Controlled Direct Effects

• arxiv url: http://arxiv.org/abs/2505.02781v1
• Date: Mon, 05 May 2025 16:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.746677
• Title: Local Markov Equivalence and Local Causal Discovery for Identifying Controlled Direct Effects
• Title（参考訳）: 局所マルコフ等価性と局所因果発見による直接効果の同定
• Authors: Timothée Loranchet, Charles K. Assaad,
• Abstract要約: 対象変数に対して定義されたグラフのクラスを記述し、d-セパレーションの特定の部分集合を共有する。 次に,観測分布からLEGを復元する新しいアルゴリズムであるLocPCを提案する。 本稿では,CDEを同定するのに十分なアルゴリズムであるLocPC-CDEを提案する。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and identifying controlled direct effects (CDEs) is crucial across numerous scientific domains, including public health. While existing methods can identify these effects from causal directed acyclic graphs (DAGs), the true underlying structure is often unknown in practice. Essential graphs, which represent a Markov equivalence class of DAGs characterized by the same set of d-separations, provide a more practical and realistic alternative. However, learning the full essential graph is computationally intensive and typically depends on strong, untestable assumptions. In this work, we characterize a local class of graphs, defined relative to a target variable, that share a specific subset of d-separations, and introduce a graphical representation of this class, called the local essential graph (LEG). We then present LocPC, a novel algorithm designed to recover the LEG from an observed distribution using only local conditional independence tests. Building on LocPC, we propose LocPC-CDE, an algorithm that discovers the portion of the LEG that is sufficient to identify a CDE, bypassing the need of retrieving the full essential graph. Compared to global methods, our algorithms require less conditional independence tests and operate under weaker assumptions while maintaining theoretical guarantees.
• Abstract（参考訳）: コントロール・ダイレクト・エフェクト(CDE)の理解と識別は、公衆衛生を含む多くの科学分野において重要である。 既存の手法では因果有向非巡回グラフ(DAG)からこれらの効果を識別できるが、真の基盤構造は実際にはよく分かっていない。 基本グラフは、同じd-分離の集合によって特徴づけられる DAG のマルコフ同値類を表すもので、より実践的で現実的な代替手段を提供する。 しかし、完全本質グラフの学習は計算集約的であり、典型的には強い、証明不可能な仮定に依存する。 本研究では,d-セパレーションの特定の部分集合を共有する目的変数に対して定義されたグラフの局所クラスを特徴付け,局所本質グラフ(LEG)と呼ばれるクラスをグラフィカルに表現する。 次に、ローカル条件独立テストのみを用いて、観測された分布からLEGを復元する新しいアルゴリズムであるLocPCを提案する。 LocPC 上に構築した LocPC-CDE は,CDE を識別するのに十分な LEG の部分を検出するアルゴリズムであり,完全必須グラフの検索を回避している。 グローバルな手法と比較して、我々のアルゴリズムは条件付き独立テストを少なくし、理論的な保証を維持しながら弱い仮定の下で運用する。

関連論文リスト

• Dissecting the Failure of Invariant Learning on Graphs [36.11431280689549]
  本研究では、2つの顕著な不変学習法の性能を理論的に判別する構造因果モデル(SCM)を開発した。 我々は,同じクラスに設定されたクロス環境表現をアライメントすることで,突発的特徴を明示的に排除する,クロス環境内アライメント(CIA)を提案する。 さらに、隣接ラベルの分布を利用してノード表現を選択的に整列させるCIA-LRA(Localized Reweighting Alignment)を提案する。
  論文  参考訳（メタデータ） (2024-11-05T06:36:48Z)
• A Graph-Theoretic Framework for Understanding Open-World Semi-Supervised Learning [33.05104609131764]
  オープンワールド半教師あり学習は、未知のデータに既知のクラスと新しいクラスの両方を推定することを目的としている。 本稿では,オープンワールド設定に適したグラフ理論フレームワークを定式化する。 我々のグラフ理論フレームワークは実用的なアルゴリズムを照らし、保証を提供する。
  論文  参考訳（メタデータ） (2023-11-06T21:15:09Z)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
  グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。 我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
  論文  参考訳（メタデータ） (2022-10-06T15:58:25Z)
• 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)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• A Local Method for Identifying Causal Relations under Markov Equivalence [7.904790547594697]
  因果関係は、人工知能研究における解釈可能で堅牢な手法を設計する上で重要である。 有向非周期グラフ(DAG)の因果的グラフィカルモデルに基づく変数が与えられたターゲットの原因であるか否かを局所的に特定する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T05:01:44Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。