論文の概要: Effects of Distributional Biases on Gradient-Based Causal Discovery in the Bivariate Categorical Case

• arxiv url: http://arxiv.org/abs/2509.01621v1
• Date: Mon, 01 Sep 2025 17:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.792363
• Title: Effects of Distributional Biases on Gradient-Based Causal Discovery in the Bivariate Categorical Case
• Title（参考訳）: 分布バイアスが二変量カテゴリーの勾配に基づく因果発見に及ぼす影響
• Authors: Tim Schwabe, Moritz Lange, Laurenz Wiskott, Maribel Acosta,
• Abstract要約: 勾配に基づく因果発見は、訓練されたデータにおける分布バイアスの影響を受けやすいことを示す。 因果因果因果因果因因果因因因因因因因因因因因因因果因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因 2つの関連するアプローチの実証的な評価は、因果分解の競合を排除すれば、モデルが提示されたバイアスに対して堅牢になることを示している。
• 参考スコア（独自算出の注目度）: 0.4339839287869652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gradient-based causal discovery shows great potential for deducing causal structure from data in an efficient and scalable way. Those approaches however can be susceptible to distributional biases in the data they are trained on. We identify two such biases: Marginal Distribution Asymmetry, where differences in entropy skew causal learning toward certain factorizations, and Marginal Distribution Shift Asymmetry, where repeated interventions cause faster shifts in some variables than in others. For the bivariate categorical setup with Dirichlet priors, we illustrate how these biases can occur even in controlled synthetic data. To examine their impact on gradient-based methods, we employ two simple models that derive causal factorizations by learning marginal or conditional data distributions - a common strategy in gradient-based causal discovery. We demonstrate how these models can be susceptible to both biases. We additionally show how the biases can be controlled. An empirical evaluation of two related, existing approaches indicates that eliminating competition between possible causal factorizations can make models robust to the presented biases.
• Abstract（参考訳）: 勾配に基づく因果発見は、効率的でスケーラブルな方法でデータから因果構造を導出する大きな可能性を示している。 しかし、これらのアプローチは、トレーニングされたデータの分布バイアスに影響を受けやすい。 エントロピーのスキュー因果学習の違いを特定の因果分解に向けるMarginal Distribution Asymmetricと、反復的介入が他の変数よりも速いシフトを引き起こすMarginal Distribution Shift Asymmetricの2つのバイアスを同定する。 ディリクレ前駆体を用いた二変量分類について、制御された合成データにおいてもこれらのバイアスがどのように生じるかを説明する。 勾配に基づく手法に対するそれらの影響を調べるために、勾配に基づく因果的発見において一般的な戦略である辺境データ分布や条件データ分布を学習することで因果的因果分解を導出する2つの単純なモデルを用いる。 これらのモデルが両方のバイアスにどのように影響するかを実証する。 さらに、バイアスの制御方法も示します。 2つの関連する既存のアプローチの実証的な評価は、因果分解の競合を排除することで、モデルが提示されたバイアスに対して堅牢になることを示している。

関連論文リスト

• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• 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)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Causal Autoregressive Flows [4.731404257629232]
  自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。 我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-04T13:17:35Z)

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。