論文の概要: Identifying Macro Causal Effects in C-DMGs over DMGs

• arxiv url: http://arxiv.org/abs/2506.19650v1
• Date: Tue, 24 Jun 2025 14:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.666132
• Title: Identifying Macro Causal Effects in C-DMGs over DMGs
• Title（参考訳）: DMGによるC-DMGのマクロ因果効果の同定
• Authors: Simon Ferreira, Charles K. Assaad,
• Abstract要約: DMGに対するC-DMGのマクロ因果効果を同定するために, ド-計算が無条件で完全であることが証明された。 ioSCMは、有向混合グラフ(DMG)として知られる別のタイプのグラフ構造を誘導する。 本稿では,ADMGのC-DMGに対するマクロ因果効果の非識別性に関するグラフィカルな基準が,DMGのC-DMGのサブセットにまで自然に拡張されていることを示す。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The do-calculus is a sound and complete tool for identifying causal effects in acyclic directed mixed graphs (ADMGs) induced by structural causal models (SCMs). However, in many real-world applications, especially in high-dimensional setting, constructing a fully specified ADMG is often infeasible. This limitation has led to growing interest in partially specified causal representations, particularly through cluster-directed mixed graphs (C-DMGs), which group variables into clusters and offer a more abstract yet practical view of causal dependencies. While these representations can include cycles, recent work has shown that the do-calculus remains sound and complete for identifying macro-level causal effects in C-DMGs over ADMGs under the assumption that all clusters size are greater than 1. Nevertheless, real-world systems often exhibit cyclic causal dynamics at the structural level. To account for this, input-output structural causal models (ioSCMs) have been introduced as a generalization of SCMs that allow for cycles. ioSCMs induce another type of graph structure known as a directed mixed graph (DMG). Analogous to the ADMG setting, one can define C-DMGs over DMGs as high-level representations of causal relations among clusters of variables. In this paper, we prove that, unlike in the ADMG setting, the do-calculus is unconditionally sound and complete for identifying macro causal effects in C-DMGs over DMGs. Furthermore, we show that the graphical criteria for non-identifiability of macro causal effects previously established C-DMGs over ADMGs naturally extends to a subset of C-DMGs over DMGs.
• Abstract（参考訳）: ドカルカス(do-calculus)は、構造因果モデル(SCM)によって誘導される非巡回有向混合グラフ(ADMG)における因果効果を識別するための、健全で完全なツールである。 しかし、多くの実世界のアプリケーション、特に高次元の設定では、完全に指定されたADMGを構築することは不可能であることが多い。 この制限により、特にクラスタ指向の混合グラフ(C-DMG)を通じて、部分的に定義された因果表現への関心が高まっている。 これらの表現はサイクルを含むことができるが、最近の研究は、全てのクラスタサイズが 1 より大きいという仮定の下で、ADMG よりも C-DMG のマクロレベルの因果効果を同定するために、do-calculus が健全で完全であることが示されている。 それでも、現実世界のシステムは、しばしば構造レベルで循環因果ダイナミクスを示す。 これを説明するために、入力出力構造因果モデル(ioSCM)がサイクルを許容するSCMの一般化として導入された。 ioSCMは、有向混合グラフ(DMG)として知られる別のタイプのグラフ構造を誘導する。 ADMG設定に類似して、DMG上のC-DMGを変数のクラスタ間の因果関係の高レベル表現として定義することができる。 本稿では,ADMG設定とは異なり,DMGに対するC-DMGのマクロ因果効果を同定するために,do-calculusが無条件で完全であることを証明する。 さらに,ADMGのC-DMGに対するマクロ因果効果の非識別性に関するグラフィカルな基準が,DMGのC-DMGのサブセットにまで自然に拡張されていることを示す。

関連論文リスト

• Identifying Macro Causal Effects in C-DMGs [0.9208007322096533]
  因果グラフを用いた因果効果の同定は因果推論における根本的な課題である。 本稿では、部分的に指定された因果グラフにおける因果効果の同定、特にクラスタ指向混合グラフ(C-DMG)に焦点を当てる。 C-DMGは、変数をクラスタにグループ化することで、因果関係の高レベルな表現を提供する。 完全に特定された因果グラフとは異なり、C-DMGはそれらの解析と解釈を複雑にするサイクルを含むことができる。
  論文  参考訳（メタデータ） (2025-04-02T09:48:27Z)
• Identifying Macro Conditional Independencies and Macro Total Effects in Summary Causal Graphs with Latent Confounding [0.9208007322096533]
  部分的特定因果グラフ(SCG)は、時空間データを処理する際の時系列間の因果関係の簡易表現を提供する。 完全に特定された因果グラフとは異なり、SCGはそれらの分析と解釈を複雑にするサイクルを含むことができる。 本稿では,まず,マクロ条件の非依存性とマイクロ条件の非依存性と,マクロ効果とマイクロトータル効果を明確に区別する。
  論文  参考訳（メタデータ） (2024-07-10T16:03:04Z)
• Standardizing Structural Causal Models [80.21199731817698]
  ベンチマークアルゴリズムのための内部標準構造因果モデル(iSCM)を提案する。 構成上、iSCMは$operatornameVar$-sortableではない。 また、一般的に使用されるグラフ族に対して$operatornameR2$-sortableでないという経験的証拠も見つかる。
  論文  参考訳（メタデータ） (2024-06-17T14:52:21Z)
• Causality is all you need [63.10680366545293]
  因果グラフルーティング(Causal Graph Routing, CGR)は、データに隠された原因影響力を明らかにするための介入機構を完全に依存した統合因果スキームである。 CGRは、Visual Question AnswerとLong Document Classificationタスクの両方において、最先端のメソッドを超越することができる。
  論文  参考訳（メタデータ） (2023-11-21T02:53:40Z)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• 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)

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。