論文の概要: Nonlinear Causal Discovery for Grouped Data

• arxiv url: http://arxiv.org/abs/2506.05120v1
• Date: Thu, 05 Jun 2025 15:08:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.773019
• Title: Nonlinear Causal Discovery for Grouped Data
• Title（参考訳）: グループ化データの非線形因果発見
• Authors: Konstantin Göbler, Tobias Windisch, Mathias Drton,
• Abstract要約: 因果グラフ学習のための2段階のアプローチを導入する。 まず、ランダムベクトル間の因果順序を推測する。 次に、この順序に整合した最良のグラフを特定するためにモデル選択を行う。 本稿では,変数群間の因果順序に関する部分的知識を持つ実世界のアセンブリラインデータに適用する。
• 参考スコア（独自算出の注目度）: 1.2835555561822447
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Inferring cause-effect relationships from observational data has gained significant attention in recent years, but most methods are limited to scalar random variables. In many important domains, including neuroscience, psychology, social science, and industrial manufacturing, the causal units of interest are groups of variables rather than individual scalar measurements. Motivated by these applications, we extend nonlinear additive noise models to handle random vectors, establishing a two-step approach for causal graph learning: First, infer the causal order among random vectors. Second, perform model selection to identify the best graph consistent with this order. We introduce effective and novel solutions for both steps in the vector case, demonstrating strong performance in simulations. Finally, we apply our method to real-world assembly line data with partial knowledge of causal ordering among variable groups.
• Abstract（参考訳）: 近年,観測データから原因・影響関係を推定する手法が注目されているが,ほとんどの手法はスカラーランダム変数に限られている。 神経科学、心理学、社会科学、工業生産を含む多くの重要な分野において、関心の因果単位は個々のスカラー測定よりも変数のグループである。 これらの応用により、ランダムベクトルを扱うために非線形付加雑音モデルを拡張し、因果グラフ学習のための2段階のアプローチを確立する: まず、ランダムベクトル間の因果順序を推測する。 次に、この順序に整合した最良のグラフを特定するためにモデル選択を行う。 ベクトルの場合, 両方のステップに対して有効かつ新しい解を導入し, シミュレーションにおいて高い性能を示す。 最後に,変数群間の因果順序に関する部分的知識を持つ実世界のアセンブリラインデータに適用する。

関連論文リスト

• Large-Scale Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 ローカル推論戦略を用いることで、我々のアプローチは変数数に線形な複雑さを伴ってスケールし、数千の変数に効率的にスケールアップする。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
  因果発見は、生物学的実験から機械的な洞察を明らかにする可能性がある。 因果グラフを予測するために,大規模合成データに基づいて学習した教師付きモデルを提案する。 我々のアプローチは、発見アルゴリズムの出力の典型的なエラーがデータセット間で比較できるという観察によって実現されている。
  論文  参考訳（メタデータ） (2024-02-02T21:57:58Z)
• Shortcuts for causal discovery of nonlinear models by score matching [32.01302470630594]
  非線形付加雑音モデルのスコア・ソータビリティ・パターンを定義し,特徴付ける。 文献において最も一般的な合成ベンチマークのスコアソート性を示す。 本研究は, 非線形因果発見手法の評価において, データの多様性の欠如が重要な限界であることを示すものである。
  論文  参考訳（メタデータ） (2023-10-22T10:09:52Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• 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)
• Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
  本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。 本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
  論文  参考訳（メタデータ） (2022-06-15T21:28:36Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Causal Feature Selection via Orthogonal Search [30.120592913076198]
  応答変数の直接因果親を見つけるために,1-vs.-the-rest特徴選択手法を提案する。 本稿では,理論的な保証を提供しながら,純粋に観測データを扱うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-06T12:56:43Z)
• A Causal Direction Test for Heterogeneous Populations [10.653162005300608]
  ほとんどの因果モデルでは、単一の同質な集団を仮定するが、これは多くの応用において成り立たない仮定である。 等質性仮定に違反した場合、そのような仮定に基づいて開発された因果モデルが正しい因果方向を識別できないことを示す。 我々は,$k$-means型クラスタリングアルゴリズムを用いて,一般的な因果方向検定統計量の調整を提案する。
  論文  参考訳（メタデータ） (2020-06-08T18:59:14Z)

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。