論文の概要: Probably Approximately Correct Causal Discovery

• arxiv url: http://arxiv.org/abs/2507.18903v1
• Date: Fri, 25 Jul 2025 02:51:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.802835
• Title: Probably Approximately Correct Causal Discovery
• Title（参考訳）: おそらくほぼ正しい因果発見
• Authors: Mian Wei, Somesh Jha, David Page,
• Abstract要約: 本稿では,PACC (Probably Aough correct Causal) Discovery フレームワークを提案する。 このフレームワークは、確立された因果的手法の計算効率とサンプル効率の両方を強調している。 また、他の広く使われている方法の理論的保証を提供することもできる。
• 参考スコア（独自算出の注目度）: 21.260465708905585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of causal relationships is a foundational problem in artificial intelligence, statistics, epidemiology, economics, and beyond. While elegant theories exist for accurate causal discovery given infinite data, real-world applications are inherently resource-constrained. Effective methods for inferring causal relationships from observational data must perform well under finite data and time constraints, where "performing well" implies achieving high, though not perfect accuracy. In his seminal paper A Theory of the Learnable, Valiant highlighted the importance of resource constraints in supervised machine learning, introducing the concept of Probably Approximately Correct (PAC) learning as an alternative to exact learning. Inspired by Valiant's work, we propose the Probably Approximately Correct Causal (PACC) Discovery framework, which extends PAC learning principles to the causal field. This framework emphasizes both computational and sample efficiency for established causal methods such as propensity score techniques and instrumental variable approaches. Furthermore, we show that it can also provide theoretical guarantees for other widely used methods, such as the Self-Controlled Case Series (SCCS) method, which had previously lacked such guarantees.
• Abstract（参考訳）: 因果関係の発見は、人工知能、統計学、疫学、経済学などにおける基礎的な問題である。 無限のデータが与えられた正確な因果発見のためのエレガントな理論は存在するが、現実の応用は本質的に資源に制約される。 観測データから因果関係を推定する効果的な手法は、有限データと時間制約の下ではうまく機能しなくてはならない。 初歩的な論文『A Theory of the Learnable』の中で、Valiant氏は、教師あり機械学習におけるリソース制約の重要性を強調し、正確な学習の代替として、確率的近似学習(PAC)の概念を紹介した。 Valiant氏の研究に触発されて,PAC学習の原則を因果領域に拡張する,確率的近似因果探索(PACC)フレームワークを提案する。 このフレームワークは、確率スコア技術や機器変数アプローチのような確立された因果的手法の計算効率とサンプル効率の両方を強調している。 また,これまでそのような保証を欠いていたSCCS (Self-Controlled Case Series) 法など,広く使用されている手法についても理論的に保証できることを示す。

関連論文リスト

• Argumentative Causal Discovery [13.853426822028975]
  因果発見は、データの特徴間の因果関係を発掘することにつながる。 データ内の因果依存性を反映したグラフを学習するために仮定ベースの議論(ABA)をデプロイする。 我々は,本手法が望ましい特性を示すことを証明し,特に自然条件下では,地底因果グラフを検索できることを示す。
  論文  参考訳（メタデータ） (2024-05-18T10:34:34Z)
• Towards Causal Foundation Model: on Duality between Causal Inference and Attention [18.046388712804042]
  治療効果推定のための因果認識基盤モデルの構築に向けて第一歩を踏み出す。 我々はCInA(Causal Inference with Attention)と呼ばれる新しい理論的に正当化された手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T22:28:34Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
  因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。 データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。 我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-18T09:26:07Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Pulling Up by the Causal Bootstraps: Causal Data Augmentation for Pre-training Debiasing [14.4304416146106]
  我々は、因果ブートストレッピングと呼ばれる因果訓練前脱バイアス技術の研究と拡張を行った。 このような因果前訓練技術が,既存のベースプラクティスを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-08-27T21:42:04Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• On Computation and Generalization of Generative Adversarial Imitation Learning [134.17122587138897]
  GAIL(Generative Adversarial Learning)は、シーケンシャルな意思決定ポリシーを学習するための強力で実践的なアプローチである。 本稿ではGAILの理論的性質について考察する。
  論文  参考訳（メタデータ） (2020-01-09T00:40:19Z)

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。