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

• arxiv url: http://arxiv.org/abs/2509.00472v2
• Date: Fri, 26 Sep 2025 06:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 16:35:18.973712
• Title: Partially Functional Dynamic Backdoor Diffusion-based Causal Model
• Title（参考訳）: 部分的に機能する動的後方拡散型因果モデル
• Authors: Xinwen Liu, Lei Qian, Song Xi Chen, Niansheng Tang,
• Abstract要約: 部分機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を導入する。 PFD-BDCMは、有効なバックドア調整を拡散サンプリング機構に組み込んで、測定されていない共同設立者からのバイアスを軽減する。 実測値の誤差設定による理論的保証を提供する。
• 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: Causal inference in settings involving complex spatio-temporal dependencies, such as environmental epidemiology, is challenging due to the presence of unmeasured confounding. However, a significant gap persists in existing methods: current diffusion-based causal models rely on restrictive assumptions of causal sufficiency or static confounding. To address this limitation, we introduce the Partially Functional Dynamic Backdoor Diffusion-based Causal Model (PFD-BDCM), a generative framework designed to bridge this gap. Our approach uniquely incorporates valid backdoor adjustments into the diffusion sampling mechanism to mitigate bias from unmeasured confounders. Specifically, it captures their intricate dynamics through region-specific structural equations and conditional autoregressive processes, and accommodates multi-resolution variables via functional data techniques. Furthermore, we provide theoretical guarantees by establishing error bounds for counterfactual estimates. Extensive experiments on synthetic data and a real-world air pollution case study confirm that PFD-BDCM outperforms current state-of-the-art methods.
• Abstract（参考訳）: 環境疫学のような複雑な時空間的依存関係を含む設定における因果推論は、未測定のコンバウンディングの存在により困難である。 現在の拡散に基づく因果モデルでは、因果補充や静的な共起の制限的な仮定に依存している。 この制限に対処するために、我々は、このギャップを埋めるために設計された生成フレームワークであるPFD-BDCM(Partially Functional Dynamic Backdoor Diffusion-based Causal Model)を導入する。 提案手法は,有効なバックドア調整を拡散サンプリング機構に組み込んで,未測定の共同設立者からのバイアスを軽減する。 具体的には、領域固有の構造方程式や条件付き自己回帰プロセスを通じて複雑なダイナミクスを捉え、関数データ技術を介して多分解能変数を許容する。 さらに, 実測値に対する誤差境界を確立することにより, 理論的保証を提供する。 PFD-BDCMは、合成データと実世界の大気汚染のケーススタディにおいて、現在の最先端の手法よりも優れていることを確認した。

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。