論文の概要: When Additive Noise Meets Unobserved Mediators: Bivariate Denoising Diffusion for Causal Discovery
- arxiv url: http://arxiv.org/abs/2506.23374v1
- Date: Sun, 29 Jun 2025 19:20:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.851204
- Title: When Additive Noise Meets Unobserved Mediators: Bivariate Denoising Diffusion for Causal Discovery
- Title(参考訳): 添加音が未治療のメディエーターと出会う時--因果発見のための二変量拡散
- Authors: Dominik Meier, Sujai Hiremath, Promit Ghosal, Kyra Gan,
- Abstract要約: 本稿では,まず,非測定メディエータの存在下で標準ANMアプローチが故障する理由を厳格に評価する。
第二に、隠れ媒介に対する先行解が有限サンプル設定で不安定であり、実用性に制限があることを実証する。
第三に、隠された仲介の下ではうまく機能していると推測する。
- 参考スコア(独自算出の注目度): 2.7472196940369744
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Distinguishing cause and effect from bivariate observational data is a foundational problem in many disciplines, but challenging without additional assumptions. Additive noise models (ANMs) are widely used to enable sample-efficient bivariate causal discovery. However, conventional ANM-based methods fail when unobserved mediators corrupt the causal relationship between variables. This paper makes three key contributions: first, we rigorously characterize why standard ANM approaches break down in the presence of unmeasured mediators. Second, we demonstrate that prior solutions for hidden mediation are brittle in finite sample settings, limiting their practical utility. To address these gaps, we propose Bivariate Denoising Diffusion (BiDD) for causal discovery, a method designed to handle latent noise introduced by unmeasured mediators. Unlike prior methods that infer directionality through mean squared error loss comparisons, our approach introduces a novel independence test statistic: during the noising and denoising processes for each variable, we condition on the other variable as input and evaluate the independence of the predicted noise relative to this input. We prove asymptotic consistency of BiDD under the ANM, and conjecture that it performs well under hidden mediation. Experiments on synthetic and real-world data demonstrate consistent performance, outperforming existing methods in mediator-corrupted settings while maintaining strong performance in mediator-free settings.
- Abstract(参考訳): 二変量観測データから原因と影響を識別することは、多くの分野において基礎的な問題であるが、追加の仮定なしでは困難である。
加法雑音モデル(ANMs)は、サンプル効率の良い二変量因果探索を可能にするために広く用いられている。
しかし、従来のANMベースの手法は、観測されていない仲介者が変数間の因果関係を損なうと失敗する。
本稿では,まず,非測定メディエータの存在下で標準ANMアプローチが故障する理由を厳格に評価する。
第二に、隠れ媒介に対する先行解が有限サンプル設定で不安定であり、実用性に制限があることを実証する。
これらのギャップに対処するため,未測定メディエータが導入した潜時雑音に対処する手法であるBivariate Denoising Diffusion (BiDD)を提案する。
平均二乗誤差損失比較によって方向を推定する従来の手法とは異なり,本手法では,各変数のノイズ発生・雑音発生過程において,他の変数を入力として条件付けし,この入力に対する予測雑音の独立性を評価するという,新しい独立性試験法を導入している。
我々は、ANMの下でのBiDDの漸近的一貫性を証明し、隠された媒介条件下では良好に機能すると予想する。
合成および実世界のデータに対する実験は、メディエータの破損した設定において既存の手法よりも優れ、メディエータのない設定では強い性能を維持しながら、一貫した性能を示す。
関連論文リスト
- DAWN-FM: Data-Aware and Noise-Informed Flow Matching for Solving Inverse Problems [4.212663349859165]
不完全またはノイズの観測からパラメータを推定する逆問題(逆問題)は、医療画像などの様々な分野で発生する。
簡単な参照分布をマップするために決定論的プロセスを統合する生成フレームワークであるフローマッチング(FM)を採用している。
我々の手法DAWN-FM: Data-AWare and Noise-informed Flow Matchingは,データとノイズの埋め込みを組み込んで,測定データに関する表現へのアクセスを可能にする。
論文 参考訳(メタデータ) (2024-12-06T04:18:49Z) - Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。
我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。
SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文 参考訳(メタデータ) (2024-06-10T21:44:52Z) - SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。
本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。
既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文 参考訳(メタデータ) (2024-03-21T08:49:34Z) - Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。
本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。
次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-20T08:51:58Z) - Doubly Stochastic Models: Learning with Unbiased Label Noises and
Inference Stability [85.1044381834036]
勾配降下のミニバッチサンプリング設定におけるラベル雑音の暗黙的正則化効果について検討した。
そのような暗黙的正則化器は、パラメータの摂動に対してモデル出力を安定化できる収束点を好んでいる。
我々の研究は、SGDをオルンシュタイン-ウレンベック類似の過程とはみなせず、近似の収束によってより一般的な結果を得る。
論文 参考訳(メタデータ) (2023-04-01T14:09:07Z) - Causal Identification with Additive Noise Models: Quantifying the Effect
of Noise [5.037636944933989]
本研究では,異なる雑音レベルが付加雑音モデルに及ぼす影響について検討し,因果関係の方向を同定する。
加法雑音のレベルが原因雑音の1%から10000%に徐々に変化するような網羅的な範囲のモデルを用いる。
実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。
論文 参考訳(メタデータ) (2021-10-15T13:28:33Z) - The Effect of Noise Level on Causal Identification with Additive Noise
Models [0.0]
本研究では,雑音レベルの違いが付加雑音モデルに及ぼす影響を考察し,因果関係の方向を同定する。
textitRegression with Subsequent Independence Test とtextitIdentification using Conditional Variances の2つの方法が選択された。
実験の結果、これらの手法はある種のノイズに対して真の因果方向を捉えることができないことが示された。
論文 参考訳(メタデータ) (2021-08-24T11:18:41Z) - Adaptive Multi-View ICA: Estimation of noise levels for optimal
inference [65.94843987207445]
Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。
AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。
実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
論文 参考訳(メタデータ) (2021-02-22T13:10:12Z)
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。