論文の概要: Differentiable Cyclic Causal Discovery Under Unmeasured Confounders

• arxiv url: http://arxiv.org/abs/2508.08450v1
• Date: Mon, 11 Aug 2025 20:13:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.224346
• Title: Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
• Title（参考訳）: 非計測共同設立者による周期的因果発見
• Authors: Muralikrishnna G. Sethuraman, Faramarz Fekri,
• Abstract要約: DCCD-CONFは、計測されていない共同創設者の存在下での非線形環状因果グラフの微分可能学習のための新しいフレームワークである。 我々は,DCCD-CONFが因果グラフの回復と共同設立者の識別において,最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 11.594415886406553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding causal relationships between variables is fundamental across scientific disciplines. Most causal discovery algorithms rely on two key assumptions: (i) all variables are observed, and (ii) the underlying causal graph is acyclic. While these assumptions simplify theoretical analysis, they are often violated in real-world systems, such as biological networks. Existing methods that account for confounders either assume linearity or struggle with scalability. To address these limitations, we propose DCCD-CONF, a novel framework for differentiable learning of nonlinear cyclic causal graphs in the presence of unmeasured confounders using interventional data. Our approach alternates between optimizing the graph structure and estimating the confounder distribution by maximizing the log-likelihood of the data. Through experiments on synthetic data and real-world gene perturbation datasets, we show that DCCD-CONF outperforms state-of-the-art methods in both causal graph recovery and confounder identification. Additionally, we also provide consistency guarantees for our framework, reinforcing its theoretical soundness.
• Abstract（参考訳）: 変数間の因果関係を理解することは、科学分野に根ざしている。 ほとんどの因果探索アルゴリズムは2つの重要な仮定に依存している。 (i)すべての変数が観察され、 (ii) 基礎となる因果グラフは非巡回である。 これらの仮定は理論解析を単純化するが、生物学的ネットワークのような現実世界のシステムではしばしば違反される。 共同設立者を説明する既存の手法は、線形性を前提とするか、スケーラビリティに苦慮する。 これらの制約に対処するために,介入データを用いた非計測共同創設者の存在下での非線形巡回因果グラフの微分可能学習フレームワークDCCD-CONFを提案する。 我々のアプローチは、グラフ構造を最適化することと、データのログ類似度を最大化することで、共同創設者の分布を推定することとを交互に行う。 合成データと実世界の遺伝子摂動データセットの実験を通して、DCCD-CONFは因果グラフの回復と共同設立者の識別において最先端の手法より優れていることを示す。 さらに,その理論的健全性を強化し,枠組みの整合性を保証する。

関連論文リスト

• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• Differentiable Causal Discovery For Latent Hierarchical Causal Models [19.373348700715578]
  非線形潜在階層因果モデルの同定可能性に関する新しい理論的結果を示す。 我々は,そのようなモデルの構造を効率的に推定する,新しい微分可能な因果探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-29T09:08:20Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• 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)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• Learning latent causal relationships in multiple time series [0.0]
  多くの系では、因果関係は観測データに線形混合として表される潜在空間に埋め込まれる。 潜伏源を盲目的に識別する手法を提示する。 提案手法は教師なしで、任意の時系列に容易に適用でき、データの背後にある因果関係に光を当てることができる。
  論文  参考訳（メタデータ） (2022-03-21T00:20:06Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• 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。