論文の概要: dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data

• arxiv url: http://arxiv.org/abs/2505.06542v1
• Date: Sat, 10 May 2025 07:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.898207
• Title: dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data
• Title（参考訳）: dcFCI: 潜伏したコンバウンディング、不信感、混合データによるロバストな因果発見
• Authors: Adèle H. Ribeiro, Dominik Heider,
• Abstract要約: 本稿では,最初の非パラメトリックスコアを導入し,部分アンセストラルグラフと観測データとの整合性を評価する。 次にデータ互換のFast Causal Inference (dcFCI)を提案する。
• 参考スコア（独自算出の注目度）: 1.9797215742507548
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal discovery is central to inferring causal relationships from observational data. In the presence of latent confounding, algorithms such as Fast Causal Inference (FCI) learn a Partial Ancestral Graph (PAG) representing the true model's Markov Equivalence Class. However, their correctness critically depends on empirical faithfulness, the assumption that observed (in)dependencies perfectly reflect those of the underlying causal model, which often fails in practice due to limited sample sizes. To address this, we introduce the first nonparametric score to assess a PAG's compatibility with observed data, even with mixed variable types. This score is both necessary and sufficient to characterize structural uncertainty and distinguish between distinct PAGs. We then propose data-compatible FCI (dcFCI), the first hybrid causal discovery algorithm to jointly address latent confounding, empirical unfaithfulness, and mixed data types. dcFCI integrates our score into an (Anytime)FCI-guided search that systematically explores, ranks, and validates candidate PAGs. Experiments on synthetic and real-world scenarios demonstrate that dcFCI significantly outperforms state-of-the-art methods, often recovering the true PAG even in small and heterogeneous datasets. Examining top-ranked PAGs further provides valuable insights into structural uncertainty, supporting more robust and informed causal reasoning and decision-making.
• Abstract（参考訳）: 因果発見は、観測データから因果関係を推測する中心である。 潜在共起の存在下では、FCI(Fast Causal Inference)のようなアルゴリズムは、真のモデルのマルコフ等価クラスを表す部分基底グラフ(PAG)を学習する。 しかし、それらの正しさは経験的忠実さに大きく依存しており、観測された(非依存性)仮定は根底にある因果関係のモデルを完全に反映している。 そこで本研究では,PAGと観測データとの整合性を評価するための最初の非パラメトリックスコアを提案する。 このスコアは、構造的不確実性を特徴づけ、異なるPAGを区別するのに必要かつ十分である。 次に,データ適合性FCI (dcFCI) を提案する。このアルゴリズムは,潜伏する不信感,経験的不信感,混合データ型に共同で対処する最初のハイブリッド因果探索アルゴリズムである。 dcFCIは、我々のスコアを(Anytime)FCI誘導検索に統合し、候補PAGを体系的に探索し、ランク付けし、検証する。 合成および実世界のシナリオの実験では、dcFCIは最先端の手法を著しく上回り、小型で異種なデータセットでも真のPAGを回復する。 トップランクのPAGを調べることで、構造的不確実性に関する貴重な洞察が得られ、より堅牢でインシデントな因果推論と意思決定をサポートする。

関連論文リスト

• Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
  因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。 CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。 3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
  論文  参考訳（メタデータ） (2025-03-11T17:59:00Z)
• Evidential Deep Partial Multi-View Classification With Discount Fusion [24.139495744683128]
  Evidential Deep partial Multi-View Classification (EDP-MVC) と呼ばれる新しいフレームワークを提案する。 欠落したビューに対処するためにK-means命令を使用し、マルチビューデータの完全なセットを作成します。 この暗示されたデータ内の潜在的な衝突や不確実性は、下流の推論の信頼性に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-08-23T14:50:49Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Towards Practical Federated Causal Structure Learning [9.74796970978203]
  FedC2SLは、条件付き独立性テストを用いて因果グラフを学習する制約に基づく因果構造学習スキームである。 この研究は、既存のソリューションに対する合成データセットと実世界のデータの両方を用いてFedC2SLを評価する。
  論文  参考訳（メタデータ） (2023-06-15T18:23:58Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Conditional Feature Importance for Mixed Data [1.6114012813668934]
  ノックオフサンプリングを用いた条件付き予測インパクト(CPI)フレームワークを開発した。 提案するワークフローは,I型エラーを制御し,高い出力を達成し,他の条件FI測定結果と一致していることを示す。 本研究は,混合データに対して,統計的に適切な,専門的な手法を開発することの必要性を強調した。
  論文  参考訳（メタデータ） (2022-10-06T16:52:38Z)

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。