論文の概要: Causal representation learning from network data

• arxiv url: http://arxiv.org/abs/2509.01916v1
• Date: Tue, 02 Sep 2025 03:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.896746
• Title: Causal representation learning from network data
• Title（参考訳）: ネットワークデータからの因果表現学習
• Authors: Jifan Zhang, Michelle M. Li, Elena Zheleva,
• Abstract要約: 柔らかい介入からの因果解離は、線形的な介入忠実さと観察データと介入データの両方の可用性の仮定の下で特定できる。 GraCE-VAEは、離散性に基づく変分オートエンコーダとグラフニューラルネットワークを統合し、真の潜時因果グラフを共同で復元する。
• 参考スコア（独自算出の注目度）: 11.720059652930841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal disentanglement from soft interventions is identifiable under the assumptions of linear interventional faithfulness and availability of both observational and interventional data. Previous research has looked into this problem from the perspective of i.i.d. data. Here, we develop a framework, GraCE-VAE, for non-i.i.d. settings, in which structured context in the form of network data is available. GraCE-VAE integrates discrepancy-based variational autoencoders with graph neural networks to jointly recover the true latent causal graph and intervention effects. We show that the theoretical results of identifiability from i.i.d. data hold in our setup. We also empirically evaluate GraCE-VAE against state-of-the-art baselines on three genetic perturbation datasets to demonstrate the impact of leveraging structured context for causal disentanglement.
• Abstract（参考訳）: 柔らかい介入からの因果解離は、線形的な介入忠実さと観察データと介入データの両方の可用性の仮定の下で特定できる。 これまでの研究では、i.i.d.データの観点からこの問題を調査してきた。 ここでは,ネットワークデータの形式で構造化されたコンテキストが利用できるような,非単位の設定のためのフレームワークであるGraCE-VAEを開発する。 GraCE-VAEは、差分に基づく変分オートエンコーダとグラフニューラルネットワークを統合し、真の潜時因果グラフと介入効果を共同で回復する。 我々は,i.d.データによる識別可能性の理論的な結果が,我々の設定に保持されていることを示す。 また、3つの遺伝的摂動データセット上での最先端のベースラインに対するGraCE-VAEを実験的に評価し、構造的コンテキストを利用して因果的ゆがみを抑える効果を実証した。

関連論文リスト

• Structure Maintained Representation Learning Neural Network for Causal Inference [8.632520706680165]
  我々は,個々の治療効果を推定する上で,表現学習と敵ネットワークの予測精度を向上させる。 表現層の末尾に識別器を訓練し、表現バランスと情報損失をトレードオフする。 シミュレーションおよび実世界の観測データを用いて広範な実験を行い,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-03T17:34:38Z)
• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Causally Fair Node Classification on Non-IID Graph Data [9.363036392218435]
  本稿では,フェアネスを考慮したMLアルゴリズムにおける課題について述べる。 非IID、グラフベースの設定の見落としている領域に取り組みます。 因果推論のためのメッセージパッシング変分オートエンコーダを開発した。
  論文  参考訳（メタデータ） (2025-05-03T02:05:51Z)
• Disentangled Graph Autoencoder for Treatment Effect Estimation [1.361700725822891]
  本稿では,ネットワーク化された観測データに対する処理効果推定のための非交叉変分グラフオートエンコーダを提案する。 我々のグラフエンコーダは、潜伏因子を、ヒルベルト・シュミット独立基準を用いて因子独立を強制しながら、楽器的、障害的、調整的、ノイズ的な要因に分解する。
  論文  参考訳（メタデータ） (2024-12-19T03:44:49Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Causal Fairness-Guided Dataset Reweighting using Neural Networks [25.492273448917278]
  因果フェアネスに対処するために,データセットの再重み付け方式を構築した。 本研究の目的は,変数間の因果関係を考慮し,バイアスを軽減することである。 提案手法は、下流タスクにおいて、元のデータに近づきながら、データに対する因果フェアネスを達成することができることを示す。
  論文  参考訳（メタデータ） (2023-11-17T13:31:19Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)

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。