論文の概要: Tagged for Direction: Pinning Down Causal Edge Directions with Precision

• arxiv url: http://arxiv.org/abs/2506.19459v1
• Date: Tue, 24 Jun 2025 09:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.572303
• Title: Tagged for Direction: Pinning Down Causal Edge Directions with Precision
• Title（参考訳）: 方向のタグ付け:精度で因果方向をピンダウンする
• Authors: Florian Peter Busch, Moritz Willig, Florian Guldan, Kristian Kersting, Devendra Singh Dhami,
• Abstract要約: 本稿では,複数のタグを各変数に因果グラフで割り当てる,タグに基づく因果探索手法を提案する。 既存の因果発見アプローチは、まずいくつかのエッジを指示するために適用され、タグ間のエッジ関係を決定するために使用される。
• 参考スコア（独自算出の注目度）: 19.869977400783316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Not every causal relation between variables is equal, and this can be leveraged for the task of causal discovery. Recent research shows that pairs of variables with particular type assignments induce a preference on the causal direction of other pairs of variables with the same type. Although useful, this assignment of a specific type to a variable can be tricky in practice. We propose a tag-based causal discovery approach where multiple tags are assigned to each variable in a causal graph. Existing causal discovery approaches are first applied to direct some edges, which are then used to determine edge relations between tags. Then, these edge relations are used to direct the undirected edges. Doing so improves upon purely type-based relations, where the assumption of type consistency lacks robustness and flexibility due to being restricted to single types for each variable. Our experimental evaluations show that this boosts causal discovery and that these high-level tag relations fit common knowledge.
• Abstract（参考訳）: 変数間の因果関係は等しくなく、因果発見のタスクに利用することができる。 最近の研究では、特定の型割り当てを持つ変数のペアが、同じ型を持つ変数の他のペアの因果方向を優先的に引き起こすことが示されている。 有用ではあるが、変数に対する特定の型の代入は、実際はトリッキーである。 本稿では,複数のタグを各変数に因果グラフで割り当てる,タグに基づく因果探索手法を提案する。 既存の因果発見アプローチは、まずいくつかのエッジを指示するために適用され、タグ間のエッジ関係を決定するために使用される。 そして、これらのエッジ関係は、非方向のエッジを指示するために使用される。 型一貫性の仮定は、各変数の単一型に制限されているため、堅牢性と柔軟性に欠ける。 実験により、因果発見が促進され、これらの高いレベルのタグ関係が共通の知識に適合していることが示されている。

関連論文リスト

• Pruning Spurious Subgraphs for Graph Out-of-Distribtuion Generalization [90.32406785945223]
  PrunEは,OODの一般化性を改善するために急激なエッジを除去する最初のプルーニングベースグラフOOD法である。 PrunE は2つの正規化項を使い、1) グラフサイズ制約は非形式的なスパイラスエッジを除外し、2) スパイラスエッジの発生をさらに抑制するために、$epsilon$-probability アライメントを使用する。
  論文  参考訳（メタデータ） (2025-06-06T10:34:48Z)
• Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects [18.60804431844023]
  観測データから治療効果を推定することは, 隠れたコンバウンディングにより困難である。 隠れた欠点と選択バイアスの両方に対処する共通のフレームワークが欠落している。
  論文  参考訳（メタデータ） (2025-04-29T09:33:56Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• 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)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Multi-label Causal Variable Discovery: Learning Common Causal Variables and Label-specific Causal Variables [26.517028854554358]
  マルコフ境界(MB)における因果変数は、広範な単一ラベルタスクに広く応用されている。 マルチラベルシナリオのいくつかの変数は複数のラベルに関する因果情報を含んでいる可能性があるため,本論文は多ラベル因果変数発見の問題について検討する。
  論文  参考訳（メタデータ） (2020-11-09T04:01:03Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)

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。