論文の概要: Causal Discovery via Quantile Partial Effect

• arxiv url: http://arxiv.org/abs/2509.12981v1
• Date: Tue, 16 Sep 2025 11:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.061633
• Title: Causal Discovery via Quantile Partial Effect
• Title（参考訳）: 量子部分効果による因果発見
• Authors: Yikang Chen, Xingzhe Sun, Dehui Du,
• Abstract要約: 量子部分効果(Quantile partial Effect, QPE)は、条件付き量子的回帰に関連付けられた統計量である。 本研究では, 影響要因のQPEが有限線形スパンにあると仮定した場合, 原因と効果が観測分布から同定可能であることを示す。
• 参考スコア（独自算出の注目度）: 6.077863139295302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantile Partial Effect (QPE) is a statistic associated with conditional quantile regression, measuring the effect of covariates at different levels. Our theory demonstrates that when the QPE of cause on effect is assumed to lie in a finite linear span, cause and effect are identifiable from their observational distribution. This generalizes previous identifiability results based on Functional Causal Models (FCMs) with additive, heteroscedastic noise, etc. Meanwhile, since QPE resides entirely at the observational level, this parametric assumption does not require considering mechanisms, noise, or even the Markov assumption, but rather directly utilizes the asymmetry of shape characteristics in the observational distribution. By performing basis function tests on the estimated QPE, causal directions can be distinguished, which is empirically shown to be effective in experiments on a large number of bivariate causal discovery datasets. For multivariate causal discovery, leveraging the close connection between QPE and score functions, we find that Fisher Information is sufficient as a statistical measure to determine causal order when assumptions are made about the second moment of QPE. We validate the feasibility of using Fisher Information to identify causal order on multiple synthetic and real-world multivariate causal discovery datasets.
• Abstract（参考訳）: 量子部分効果 (QPE) は条件付き量子的回帰と関連する統計であり、異なるレベルの共変量の効果を測定する。 本理論は, 影響要因のQPEが有限線形分布にあると仮定した場合, 原因と効果が観測分布から同定可能であることを示す。 これにより, 機能因果モデル (FCMs) に基づいて, 付加性, ヘテロセダスティックノイズ等により, 過去の識別可能性を一般化する。 一方、QPEは完全に観測レベルにあるため、このパラメトリックな仮定はメカニズムやノイズ、マルコフの仮定さえ考慮する必要はなく、観測分布における形状特性の非対称性を直接利用している。 推定されたQPEに基づいて基礎関数テストを行うことにより、因果方向を区別することが可能となり、多数の多変量因果発見データセットの実験に有効であることが実証的に示されている。 多変量因果探索では、QPEとスコア関数の密接な接続を利用して、QPEの第2モーメントに関する仮定がなされたときの因果順序を決定する統計的尺度として、Fisher Informationが十分であることがわかった。 我々は、複数の合成および実世界の多変量因果探索データセットにおける因果順序を特定するためにFisher Informationを用いた可能性を検証する。

関連論文リスト

• A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
  因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。 我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。 提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
  論文  参考訳（メタデータ） (2024-03-13T08:40:49Z)
• 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)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。