論文の概要: Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
- arxiv url: http://arxiv.org/abs/2506.05202v1
- Date: Thu, 05 Jun 2025 16:14:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 21:53:49.811386
- Title: Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
- Title（参考訳）: 高次立方体からのlvLiNGAMにおける因果効果の同定
- Authors: Daniele Tramontano, Yaroslav Kivva, Saber Salehkaleybar Mathias Drton, Negar Kiyavash,
- Abstract要約: 本稿では,高次累積を用いた線形非ガウス非巡回モデル (lvLiNGAM) における因果効果の同定について検討する。
因果効果が一つのプロキシや機器で識別可能であることを証明し、対応する推定方法を提案する。
- 参考スコア（独自算出の注目度）: 15.613350380708798
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates causal effect identification in latent variable Linear Non-Gaussian Acyclic Models (lvLiNGAM) using higher-order cumulants, addressing two prominent setups that are challenging in the presence of latent confounding: (1) a single proxy variable that may causally influence the treatment and (2) underspecified instrumental variable cases where fewer instruments exist than treatments. We prove that causal effects are identifiable with a single proxy or instrument and provide corresponding estimation methods. Experimental results demonstrate the accuracy and robustness of our approaches compared to existing methods, advancing the theoretical and practical understanding of causal inference in linear systems with latent confounders.
- Abstract（参考訳）: 本稿では, 潜在変数である線形非ガウス非巡回モデル (lvLiNGAM) における因果的効果の同定を高次累積法を用いて検討し, 1) 因果的に治療に影響を及ぼす1つのプロキシ変数, (2) 治療よりも楽器が少ない不特定な機器変数の2つの顕著な設定に対処する。
因果効果が一つのプロキシや機器で識別可能であることを証明し、対応する推定方法を提案する。
実験の結果,既存手法と比較して,提案手法の精度とロバスト性を示し,線形系における因果推論の理論的および実践的理解を推し進めた。
関連論文リスト
- Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments [10.332963283207777]
両方向メンデルランダム化(MR)における純粋観測データから因果効果を推定する難題について考察する。
本稿ではまず,観測データから双方向MRの同定を理論的に検討する。
我々は,有効なIV集合を発見し,興味の因果効果を推定するクラスタ融合的手法を開発した。
論文 参考訳（メタデータ） (2024-07-10T12:58:30Z) - Identification of Causal Structure with Latent Variables Based on Higher
Order Cumulants [31.85295338809117]
本稿では,潜伏変数の影響を受ける2つの変数間の因果エッジの存在を同定するための新しい手法を提案する。
このような因果エッジが流出した場合、因果方向を決定するための非対称性基準を導入する。
論文 参考訳（メタデータ） (2023-12-19T08:20:19Z) - 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) - 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) - Variation-based Cause Effect Identification [5.744133015573047]
本稿では、因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。
我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズムの独立(ICM)の原理に依存している。
因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。
論文 参考訳（メタデータ） (2022-11-22T05:19:12Z) - Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。
いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。
本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2022-08-30T11:12:59Z) - 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) - Latent Instrumental Variables as Priors in Causal Inference based on
Independence of Cause and Mechanism [2.28438857884398]
因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。
2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
論文 参考訳（メタデータ） (2020-07-17T08:18:19Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
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。