論文の概要: Trek-Based Parameter Identification for Linear Causal Models With Arbitrarily Structured Latent Variables

• arxiv url: http://arxiv.org/abs/2507.18170v1
• Date: Thu, 24 Jul 2025 08:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.219155
• Title: Trek-Based Parameter Identification for Linear Causal Models With Arbitrarily Structured Latent Variables
• Title（参考訳）: 任意構造潜在変数を持つ線形因果モデルに対するトレクベースパラメータ同定
• Authors: Nils Sturma, Mathias Drton,
• Abstract要約: 潜在変数を持つ線形構造方程式モデルにおいて因果効果が識別可能であるかどうかを検証するための基準を開発する。 我々の新しい潜在サブグラフ基準は、因果効果の識別に十分な、純粋にグラフィカルな条件である。
• 参考スコア（独自算出の注目度）: 1.4425878137951234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a criterion to certify whether causal effects are identifiable in linear structural equation models with latent variables. Linear structural equation models correspond to directed graphs whose nodes represent the random variables of interest and whose edges are weighted with linear coefficients that correspond to direct causal effects. In contrast to previous identification methods, we do not restrict ourselves to settings where the latent variables constitute independent latent factors (i.e., to source nodes in the graphical representation of the model). Our novel latent-subgraph criterion is a purely graphical condition that is sufficient for identifiability of causal effects by rational formulas in the covariance matrix. To check the latent-subgraph criterion, we provide a sound and complete algorithm that operates by solving an integer linear program. While it targets effects involving observed variables, our new criterion is also useful for identifying effects between latent variables, as it allows one to transform the given model into a simpler measurement model for which other existing tools become applicable.
• Abstract（参考訳）: 潜在変数を持つ線形構造方程式モデルにおいて因果効果が識別可能であるかどうかを検証するための基準を開発する。 線形構造方程式モデルは、ノードが興味のランダムな変数を表し、エッジが直接的な因果効果に対応する線形係数で重み付けされている有向グラフに対応する。 従来の識別法とは対照的に、潜伏変数が独立した潜伏因子(すなわちモデルのグラフィカルな表現におけるソースノード)を構成する設定に制限はしない。 我々の新しい潜在グラフ基準は、共分散行列の有理式による因果効果の識別に十分である純粋にグラフィカルな条件である。 潜伏部分グラフの基準を確認するために,整数線形プログラムを解くことによって動作する音響完全アルゴリズムを提案する。 観測変数が関与する効果を目標としていますが、既存のツールが適用可能な単純な測定モデルに変換できるため、潜在変数間の効果を識別する上でも有効です。

関連論文リスト

• Unfolding Tensors to Identify the Graph in Discrete Latent Bipartite Graphical Models [1.7132914341329848]
  我々はテンソル展開法を用いて、離散二部グラフモデルに対する新しい識別可能性の結果を証明する。 この結果は、これらのモデルの科学的分野や解釈可能な機械学習における信頼できる応用に有用である。
  論文  参考訳（メタデータ） (2025-01-18T23:08:25Z)
• On the Parameter Identifiability of Partially Observed Linear Causal Models [23.08796869216895]
  因果構造と部分的に観察されたデータからエッジ係数を復元できるかどうかを検討する。 部分的に観察された線形因果モデルにおいて,パラメータの非決定性は3種類ある。 本稿では,潜伏変数の分散不確定性に特定の方法で対処する,確率に基づくパラメータ推定手法を提案する。
  論文  参考訳（メタデータ） (2024-07-24T03:43:55Z)
• Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
  このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。 我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。 同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
  論文  参考訳（メタデータ） (2024-05-31T14:39:14Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• 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)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Linear Causal Disentanglement via Interventions [8.444187296409051]
  因果解離は因果モデルを通して相互に関連する潜伏変数を含むデータの表現を求める。 線形潜在因果モデルの線形変換である観測変数について検討した。
  論文  参考訳（メタデータ） (2022-11-29T18:43:42Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Learning latent causal graphs via mixture oracles [40.71943453524747]
  本研究では,潜伏変数が存在するデータから因果グラフモデルを再構成する問題について検討する。 主な関心事は、潜伏変数上の因果構造を回復し、変数間の一般に、潜在的に非線形な依存を可能にすることである。
  論文  参考訳（メタデータ） (2021-06-29T16:53:34Z)
• 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)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)

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。