論文の概要: Identifiability in Causal Abstractions: A Hierarchy of Criteria

• arxiv url: http://arxiv.org/abs/2507.06213v1
• Date: Tue, 08 Jul 2025 17:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.375592
• Title: Identifiability in Causal Abstractions: A Hierarchy of Criteria
• Title（参考訳）: 因果的抽象化における識別可能性:基準の階層性
• Authors: Clément Yvernes, Emilie Devijver, Marianne Clausel, Eric Gaussier,
• Abstract要約: 本稿では,因果解の集合として形式化された因果解を考察し,その集合内の因果解の識別性に着目した。 私たちの主な貢献は、これらの基準を構造化階層に整理し、それらの関係を強調することです。 文献の例を通して、我々のフレームワークを説明し、完全な因果的知識が利用できない場合に、識別可能性について推論するためのツールを提供する。
• 参考スコア（独自算出の注目度）: 3.5248694676821484
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Identifying the effect of a treatment from observational data typically requires assuming a fully specified causal diagram. However, such diagrams are rarely known in practice, especially in complex or high-dimensional settings. To overcome this limitation, recent works have explored the use of causal abstractions-simplified representations that retain partial causal information. In this paper, we consider causal abstractions formalized as collections of causal diagrams, and focus on the identifiability of causal queries within such collections. We introduce and formalize several identifiability criteria under this setting. Our main contribution is to organize these criteria into a structured hierarchy, highlighting their relationships. This hierarchical view enables a clearer understanding of what can be identified under varying levels of causal knowledge. We illustrate our framework through examples from the literature and provide tools to reason about identifiability when full causal knowledge is unavailable.
• Abstract（参考訳）: 観察データから治療の効果を特定するには、一般的に完全に定義された因果図を仮定する必要がある。 しかし、そのような図式は、特に複雑あるいは高次元の設定において、実際にはほとんど知られていない。 この制限を克服するため、近年の研究では、部分因果情報を保持する因果抽象を単純化した表現の使用について検討している。 本稿では,因果的ダイアグラムの集合として形式化された因果的抽象化について考察し,それらの集合における因果的クエリの識別可能性に着目した。 この設定の下で、いくつかの識別可能性基準を導入し、定式化する。 私たちの主な貢献は、これらの基準を構造化階層に整理し、それらの関係を強調することです。 この階層的な視点は、様々なレベルの因果的知識の下で識別できるものの、より明確な理解を可能にします。 文献の例を通して、我々のフレームワークを説明し、完全な因果的知識が利用できない場合に、識別可能性について推論するためのツールを提供する。

関連論文リスト

• Causal Modeling in Multi-Context Systems: Distinguishing Multiple Context-Specific Causal Graphs which Account for Observational Support [12.738813972869528]
  複数のコンテキストからのデータによる因果構造学習は、機会と課題の両方をもたらす。 本稿では,文脈間の観察支援の違いが因果グラフの識別可能性に及ぼす影響について検討する。 構造因果モデルにおける文脈固有の独立性をモデル化する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-27T10:34:58Z)
• New Rules for Causal Identification with Background Knowledge [59.733125324672656]
  オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。 これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-21T20:21:21Z)
• Identifying while Learning for Document Event Causality Identification [19.44453370306568]
  事象因果同定(ECI)は、文書に2つの事象の間に因果関係が存在するかどうかを検出することを目的としている。 既存の研究では、学習パラダイムの後、イベントの表現が最初に学習され、その識別に使用される、ある種の識別が採用されている。 我々は、因果方向のケアを行い、ECIタスクの学習モードにおいて、新たな識別法を提案する。
  論文  参考訳（メタデータ） (2024-05-31T03:48:00Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Causal schema induction for knowledge discovery [21.295680010103602]
  本稿では、時間構造、事象構造、因果構造を組み合わせたテキストグラフスキーマのデータセットであるTorquestraを紹介する。 データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。 その結果、因果構造を利用するシステムは、類似の因果的意味成分を共有するテキストを特定するのに効果的であることがわかった。
  論文  参考訳（メタデータ） (2023-03-27T16:55:49Z)
• Abstraction between Structural Causal Models: A Review of Definitions and Properties [0.0]
  構造因果モデル (Structure causal model, SCM) は因果系を扱うための広範な形式主義である。 本稿では,SCM間の写像の形式的特性に着目し,これらの特性を適用可能な異なる層(構造的,分布的)を強調した。
  論文  参考訳（メタデータ） (2022-07-18T13:47:20Z)
• 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)
• 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)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。