論文の概要: Partial Functional Dynamic Backdoor Diffusion-based Causal Model

• arxiv url: http://arxiv.org/abs/2509.00472v1
• Date: Sat, 30 Aug 2025 12:11:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.247955
• Title: Partial Functional Dynamic Backdoor Diffusion-based Causal Model
• Title（参考訳）: 機能的動的後方拡散に基づく因果モデル
• Authors: Xinwen Liu, Lei Qian, Song Xi Chen, Niansheng Tang,
• Abstract要約: 機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を提案する。 PFD-BDCMは、空間的および時間的依存を持つ未測定の共同創設者の存在下での因果推論のために特別に設計された。
• 参考スコア（独自算出の注目度）: 2.922436362861351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a Partial Functional Dynamic Backdoor Diffusion-based Causal Model (PFD-BDCM), specifically designed for causal inference in the presence of unmeasured confounders with spatial heterogeneity and temporal dependency. The proposed PFD-BDCM framework addresses the restrictions of the existing approaches by uniquely integrating models for complex spatio-temporal dynamics with the analysis of multi-resolution variables. Specifically, the framework systematically mitigates confounding bias by integrating valid backdoor adjustment sets into a diffusion-based sampling mechanism. Moreover, it accounts for the intricate dynamics of unmeasured confounders through the deployment of region-specific structural equations and conditional autoregressive processes, and accommodates variables observed at heterogeneous resolutions via basis expansions for functional data. Our theoretical analysis establishes error bounds for counterfactual estimates of PFD-BDCM, formally linking reconstruction accuracy to counterfactual fidelity under monotonicity assumptions of structural equation and invertibility assumptions of encoding function. Empirical evaluations on synthetic datasets and real-world air pollution data demonstrate PFD-BDCM's superiority over existing methods.
• Abstract（参考訳）: 本研究では,空間的不均一性と時間的依存を有する非計測的共同設立者の存在下での因果推論を目的とした機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を提案する。 提案したPFD-BDCMフレームワークは,複合時空間力学モデルと多分解能変数の解析を一意に統合することにより,既存のアプローチの制約に対処する。 具体的には、有効なバックドア調整セットを拡散に基づくサンプリング機構に統合することにより、共起バイアスを系統的に軽減する。 さらに、地域固有の構造方程式や条件付き自己回帰プロセスの展開を通じて、未測定の共同創業者の複雑なダイナミクスを考慮し、関数データの基底展開を通じて不均一な解像度で観測される変数を許容する。 我々の理論解析は、構造方程式の単調性仮定と符号化関数の可逆性仮定の下で、PFD-BDCMの反ファクト的推定に対する誤差境界を確立し、正式に再構成精度を反ファクト的忠実性にリンクする。 合成データセットと実世界の大気汚染データに関する実証的な評価は、PFD-BDCMが既存の方法よりも優れていることを示している。

関連論文リスト

• Spatiodynamic inference using vision-based generative modelling [0.5461938536945723]
  我々は,視覚変換器駆動の変分表現を用いたシミュレーションに基づく推論フレームワークを開発した。 中心となる考え方は、パラメータ空間の体系的な探索を通じて、潜在力学の微細で構造化されたメッシュを構築することである。 生成的モデリングと機械的原理を統合することで、我々のアプローチは統合された推論フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-29T22:10:50Z)
• Structural DID with ML: Theory, Simulation, and a Roadmap for Applied Research [3.0031348283981987]
  観測パネルデータの因果推論は、経済学、政治分析、より広範な社会科学において中心的な関心事となっている。 本稿では,構造同定と高次元推定を統合したS-DIDという革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T03:57:42Z)
• Loss-Complexity Landscape and Model Structure Functions [56.01537787608726]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Causal Operator Discovery in Partial Differential Equations via Counterfactual Physics-Informed Neural Networks [0.0]
  物理インフォームドニューラルネットワークと対実最小化を用いた偏微分方程式(PDE)の因果構造を発見するための原理的枠組みを開発する。 気候力学,腫瘍拡散,海流の総合的および実世界のデータセット上で,この枠組みを検証した。 本研究は、因果的PDE発見を、構造因果モデルと変分残差解析に基づく、抽出可能かつ解釈可能な推論タスクとして位置づける。
  論文  参考訳（メタデータ） (2025-06-25T07:15:42Z)
• Identifiable Multi-View Causal Discovery Without Non-Gaussianity [63.217175519436125]
  多視点構造方程式モデル(SEM)の枠組みにおける線形因果発見への新しいアプローチを提案する。 我々は、SEMの構造が非巡回的であること以外は、余計な仮定をすることなく、モデルの全てのパラメータの識別可能性を証明する。 提案手法は,脳領域間の因果グラフの推定を可能にする実データへのシミュレーションおよび応用を通じて検証される。
  論文  参考訳（メタデータ） (2025-02-27T14:06:14Z)
• Stability and Generalizability in SDE Diffusion Models with Measure-Preserving Dynamics [11.919291977879801]
  逆問題では、測定やデータから因果因子を推定する過程を記述する。 拡散モデルは、逆問題を解決する強力な生成ツールとして期待されている。
  論文  参考訳（メタデータ） (2024-06-19T15:55:12Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Modeling Causal Mechanisms with Diffusion Models for Interventional and Counterfactual Queries [10.818661865303518]
  本稿では,観察的,介入的,反ファクト的クエリに因果的に十分な設定で回答する問題を考察する。 本稿では拡散型因果モデル (DCM) を導入し, 独自の潜伏符号化を生成する因果メカニズムを学習する。 我々の実証評価は、因果クエリに応答する既存の最先端手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2023-02-02T04:08:08Z)

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。