論文の概要: Interpretable Clustering with Adaptive Heterogeneous Causal Structure Learning in Mixed Observational Data

• arxiv url: http://arxiv.org/abs/2509.04415v1
• Date: Thu, 04 Sep 2025 17:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.236164
• Title: Interpretable Clustering with Adaptive Heterogeneous Causal Structure Learning in Mixed Observational Data
• Title（参考訳）: 混合観測データを用いた適応的不均一因果構造学習による解釈可能なクラスタリング
• Authors: Wenrui Li, Qinghao Zhang, Xiaowo Wang,
• Abstract要約: 教師なしのフレームワークであるHCLは、混合型観測データから潜在クラスタとその関連する因果構造を共同で推論する。 クラスタリングと構造学習の両方において優れた性能を発揮し、実世界の単一セル摂動データにおいて生物学的に意味のあるメカニズムを復元する。
• 参考スコア（独自算出の注目度）: 6.699689669675078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding causal heterogeneity is essential for scientific discovery in domains such as biology and medicine. However, existing methods lack causal awareness, with insufficient modeling of heterogeneity, confounding, and observational constraints, leading to poor interpretability and difficulty distinguishing true causal heterogeneity from spurious associations. We propose an unsupervised framework, HCL (Interpretable Causal Mechanism-Aware Clustering with Adaptive Heterogeneous Causal Structure Learning), that jointly infers latent clusters and their associated causal structures from mixed-type observational data without requiring temporal ordering, environment labels, interventions or other prior knowledge. HCL relaxes the homogeneity and sufficiency assumptions by introducing an equivalent representation that encodes both structural heterogeneity and confounding. It further develops a bi-directional iterative strategy to alternately refine causal clustering and structure learning, along with a self-supervised regularization that balance cross-cluster universality and specificity. Together, these components enable convergence toward interpretable, heterogeneous causal patterns. Theoretically, we show identifiability of heterogeneous causal structures under mild conditions. Empirically, HCL achieves superior performance in both clustering and structure learning tasks, and recovers biologically meaningful mechanisms in real-world single-cell perturbation data, demonstrating its utility for discovering interpretable, mechanism-level causal heterogeneity.
• Abstract（参考訳）: 因果不均一性を理解することは、生物学や医学などの分野における科学的発見に不可欠である。 しかし、既存の手法には因果認識が欠如しており、不均一性、不均一性、観察上の制約のモデリングが不十分であり、解釈可能性の低下と真の因果不均一性を急激な協会と区別することの難しさにつながった。 本稿では,時間的順序付けや環境ラベル,介入,その他の事前知識を必要とせずに,混合型観測データから潜在クラスタとその関連因果構造を共同で推論する,非教師なしのHCL(Interpretable Causal Mechanism-Aware Clustering with Adaptive Heterogeneous Causal Structure Learning)を提案する。 HCLは、構造的不均一性と共起の両方をエンコードする同値表現を導入することで、同次性と補足仮定を緩和する。 さらに、因果クラスタリングと構造学習を交互に洗練する双方向反復戦略と、クラスタ間の普遍性と特異性のバランスをとる自己監督型正規化を開発する。 これらの成分は、解釈可能な、異質な因果パターンへの収束を可能にする。 理論的には、穏やかな条件下での不均一な因果構造の識別可能性を示す。 実世界の単一セル摂動データにおいて,HCLはクラスタリングと構造学習の両方において優れた性能を示し,生物学的に有意な機構を復元し,解釈可能な機構レベルの因果不均一性を発見するための有用性を実証した。

関連論文リスト

• Hybrid Causal Identification and Causal Mechanism Clustering [14.706998903419407]
  異種因果関係を推定するための混合変分条件因果推論モデル(MCVCI)を提案する。 ハイブリッド付加雑音モデル(HANM)の識別可能性によると、MCVCIはガウス混合モデルとニューラルネットワークの優れた適合能力を組み合わせている。
  論文  参考訳（メタデータ） (2025-07-29T13:27:15Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Algorithmic causal structure emerging through compression [53.52699766206808]
  因果関係,対称性,圧縮の関係について検討する。 我々は、学習と圧縮の既知の関係を因果モデルが識別できないような環境に構築し、一般化する。 我々はアルゴリズム因果関係を因果関係の代替的定義として定義する。
  論文  参考訳（メタデータ） (2025-02-06T16:50:57Z)
• Persistent Homology for Structural Characterization in Disordered Systems [3.3033726268021315]
  障害のあるシステムにおける局所的構造と大域的構造の両方を特徴付けるために,永続的ホモロジー(PH)に基づく統一的なフレームワークを提案する。 同じアルゴリズムとデータ構造を使って、ローカルとグローバルのディスクリプタを同時に生成できる。 粒子の再配置を予測し、大域的な位相を分類するのに非常に効果的で解釈可能であることが示されている。
  論文  参考訳（メタデータ） (2024-11-21T18:24:06Z)
• Hierarchical and Density-based Causal Clustering [6.082022112101251]
  本稿では,既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 さらに,それらの収束率について検討し,因果クラスタリングの付加コストが基本的に結果回帰関数の推定誤差であることを示す。
  論文  参考訳（メタデータ） (2024-11-02T14:01:04Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Supervised Convex Clustering [1.4610038284393165]
  我々はSupervised Convex Clustering (SCC) という新しい統計パターン発見手法を提案し,開発する。 SCCは、情報ソースとガイドの両方から、共同凸核融合ペナルティを通じてより解釈可能なパターンを見つけるための強度を借りている。 シミュレーションによるSCCの実用的メリットとアルツハイマー病ゲノム学のケーススタディを示す。
  論文  参考訳（メタデータ） (2020-05-25T16:12:38Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。