Fugu-MT 論文翻訳(概要): Partial Functional Dynamic Backdoor Diffusion-based Causal Model

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

FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions [1.7114074082429929]
因果解離表現学習(Causal Disentangled Representation Learning)は、観測から低次元表現を学習し、解離することを目的とする。本稿では,ブロック対角共分散VAEに基づく新しいCDRLフレームワークFlexCausalを提案する。本フレームワークは,学習した潜在部分空間と基底-真理因果関係の正確な構造的対応を保証する。
論文参考訳（メタデータ） (2026-01-29T11:30:53Z)
A PDE Perspective on Generative Diffusion Models [8.328108675535562]
我々は、スコアベース拡散プロセスのための厳密な偏微分方程式(PDE)フレームワークを開発する。我々は、関連するスコアベースのFokker-Planckダイナミクスに対して、急激な$Lp$-stability推定を導出する。その結果、正確な誘導の下で拡散軌道がデータ多様体に戻るという理論的保証が得られる。
論文参考訳（メタデータ） (2025-11-08T09:19:25Z)
Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
論文参考訳（メタデータ） (2025-10-20T02:40:06Z)
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)
Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
論文参考訳（メタデータ） (2025-06-18T11:59:15Z)
Constrained Discrete Diffusion [61.81569616239755]
本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
論文参考訳（メタデータ） (2025-03-12T19:48:12Z)
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)
An AI-powered Bayesian generative modeling approach for causal inference in observational studies [4.4876925770439415]
CausalBGMはAIを利用したベイズ生成モデリングアプローチである。低次元潜在特徴集合の個別分布を学習することにより、個別処理効果(ITE)を推定する。
論文参考訳（メタデータ） (2025-01-01T06:52:45Z)
Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
論文参考訳（メタデータ） (2024-07-06T07:19:21Z)
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)
Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
論文参考訳（メタデータ） (2024-04-22T16:10:38Z)
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)
Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
論文参考訳（メタデータ） (2023-06-20T04:19:06Z)
Variance-Preserving-Based Interpolation Diffusion Models for Speech Enhancement [53.2171981279647]
本稿では,VP-および分散拡散(VE)に基づく拡散法の両方をカプセル化するフレームワークを提案する。本研究では,拡散モデルで発生する一般的な困難を解析し,性能の向上とモデルトレーニングの容易化を図る。我々は,提案手法の有効性を示すために,公開ベンチマークを用いたいくつかの手法によるモデルの評価を行った。
論文参考訳（メタデータ） (2023-06-14T14:22:22Z)
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)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。