論文の概要: Relational Causal Discovery with Latent Confounders

• arxiv url: http://arxiv.org/abs/2507.01700v1
• Date: Wed, 02 Jul 2025 13:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.258206
• Title: Relational Causal Discovery with Latent Confounders
• Title（参考訳）: Relational Causal Discovery with Latent Confounders
• Authors: Andrea Piras, Matteo Negro, Ragib Ahsan, David Arbour, Elena Zheleva,
• Abstract要約: 本稿では,RelFCIを提案する。RelFCIは,潜在共同設立者との相関データに対する完全な因果探索アルゴリズムである。 本稿では,RelFCIが潜在共同設立者との因果関係モデルにおける正しい因果関係の同定に有効であることを示す。
• 参考スコア（独自算出の注目度）: 16.33251047653638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating causal effects from real-world relational data can be challenging when the underlying causal model and potential confounders are unknown. While several causal discovery algorithms exist for learning causal models with latent confounders from data, they assume that the data is independent and identically distributed (i.i.d.) and are not well-suited for learning from relational data. Similarly, existing relational causal discovery algorithms assume causal sufficiency, which is unrealistic for many real-world datasets. To address this gap, we propose RelFCI, a sound and complete causal discovery algorithm for relational data with latent confounders. Our work builds upon the Fast Causal Inference (FCI) and Relational Causal Discovery (RCD) algorithms and it defines new graphical models, necessary to support causal discovery in relational domains. We also establish soundness and completeness guarantees for relational d-separation with latent confounders. We present experimental results demonstrating the effectiveness of RelFCI in identifying the correct causal structure in relational causal models with latent confounders.
• Abstract（参考訳）: 実世界の関係データから因果関係を推定することは、根底にある因果関係モデルと潜在的な共同創設者が不明な場合に困難である。 いくつかの因果発見アルゴリズムは、データから潜伏した共同設立者と因果モデルを学ぶために存在するが、彼らは、データは独立であり、同一の分散(すなわち、d)であり、関係データから学ぶのに適していないと仮定している。 同様に、既存の関係因果発見アルゴリズムは因果正当性を前提としており、多くの実世界のデータセットでは非現実的である。 このギャップに対処するため、私たちはRelFCIを提案する。RelFCIは、潜伏した共同設立者との相関データに対する、健全で完全な因果探索アルゴリズムである。 我々の研究は、FCI(Fast Causal Inference)アルゴリズムとRCD(Relational Causal Discovery)アルゴリズムに基づいており、リレーショナルドメインにおける因果探索を支援するために必要な新しいグラフィカルモデルを定義する。 また、潜伏した共同設立者とのd-セパレーションの健全性と完全性を保証する。 本稿では,RelFCIが潜在共同設立者との因果関係モデルにおける正しい因果関係の同定に有効であることを示す実験結果を示す。

関連論文リスト

• Causal Cartographer: From Mapping to Reasoning Over Counterfactual Worlds [9.153187514369849]
  因果世界モデルは、関心のある環境に関する反現実的な疑問に答えることができる。 事象の連鎖の背後にある根本原因を理解し、未知の分布に対する因果推論を行う必要がある。 提案手法は推論コストと素早い相関を低減しつつ因果知識を抽出できることを示す。
  論文  参考訳（メタデータ） (2025-05-20T14:14:05Z)
• dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data [1.9797215742507548]
  本稿では,最初の非パラメトリックスコアを導入し,部分アンセストラルグラフと観測データとの整合性を評価する。 次にデータ互換のFast Causal Inference (dcFCI)を提案する。
  論文  参考訳（メタデータ） (2025-05-10T07:05:19Z)
• Deep Causal Generative Models with Property Control [11.604321459670315]
  我々は相関対応因果変分自動エンコーダ(C2VAE)と呼ばれる新しい深層生成フレームワークを提案する。 C2VAEは、非絡み付き潜在ベクトルを用いて特性間の相関関係と因果関係を同時に回復する。
  論文  参考訳（メタデータ） (2024-05-25T13:07:27Z)
• Discovery of the Hidden World with Large Language Models [95.58823685009727]
  本稿では,大きな言語モデル(LLM)を導入してギャップを埋めるCausal representatiOn AssistanT(COAT)を提案する。 LLMは世界中の大規模な観測に基づいて訓練されており、構造化されていないデータから重要な情報を抽出する優れた能力を示している。 COATはまた、特定変数間の因果関係を見つけるためにCDを採用し、提案された要因を反復的に洗練するためにLSMにフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Causal Discovery under Latent Class Confounding [2.1749194587826026]
  グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを示す。 グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを実証する。
  論文  参考訳（メタデータ） (2023-11-13T16:35:34Z)
• 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)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders [6.1221613913018675]
  本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。 RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
  論文  参考訳（メタデータ） (2020-01-13T12:55:47Z)

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。