論文の概要: Consistent causal discovery with equal error variances: a least-squares perspective

• arxiv url: http://arxiv.org/abs/2509.15197v1
• Date: Thu, 18 Sep 2025 17:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.374214
• Title: Consistent causal discovery with equal error variances: a least-squares perspective
• Title（参考訳）: 等誤差分散を伴う一貫性因果発見--最小二乗の視点から
• Authors: Anamitra Chaudhuri, Yang Ni, Anirban Bhattacharya,
• Abstract要約: 線形非巡回構造方程式モデル(SEM)により生成される変数群間の真の因果構造を復元する問題を考える。 因果構造を符号化する真の基盤となる有向非巡回グラフ(DAG)がこの仮定の下で一意に同定できることはよく知られている。
• 参考スコア（独自算出の注目度）: 6.056500890795248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of recovering the true causal structure among a set of variables, generated by a linear acyclic structural equation model (SEM) with the error terms being independent and having equal variances. It is well-known that the true underlying directed acyclic graph (DAG) encoding the causal structure is uniquely identifiable under this assumption. In this work, we establish that the sum of minimum expected squared errors for every variable, while predicted by the best linear combination of its parent variables, is minimised if and only if the causal structure is represented by any supergraph of the true DAG. This property is further utilised to design a Bayesian DAG selection method that recovers the true graph consistently.
• Abstract（参考訳）: 線形非巡回構造方程式モデル(SEM)により生成される変数の集合間の真の因果構造を復元する問題について考察する。 因果構造を符号化する真の基盤となる有向非巡回グラフ(DAG)がこの仮定の下で一意に同定できることはよく知られている。 本研究では,各変数に対する最小2乗誤差の和が,親変数の最良の線形結合によって予測される一方で,因果構造が真のDAGの任意のスーパーグラフで表される場合に限り最小化されることを示す。 この性質は、真のグラフを一貫して復元するベイズDAG選択法の設計にさらに活用される。

関連論文リスト

• Consistent DAG selection for Bayesian causal discovery under general error distributions [9.971549076128268]
  変数集合の因果構造を学習する問題を考察する。 関連するエラーは独立であり、非ガウス的であることが許される。 真のデータ生成指向非巡回グラフ(DAG)構造を特定するためにベイズ階層モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-01T18:03:28Z)
• Trek-Based Parameter Identification for Linear Causal Models With Arbitrarily Structured Latent Variables [1.4425878137951234]
  潜在変数を持つ線形構造方程式モデルにおいて因果効果が識別可能であるかどうかを検証するための基準を開発する。 我々の新しい潜在サブグラフ基準は、因果効果の識別に十分な、純粋にグラフィカルな条件である。
  論文  参考訳（メタデータ） (2025-07-24T08:10:44Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
  このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。 我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。 同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
  論文  参考訳（メタデータ） (2024-05-31T14:39:14Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Learning Large Causal Structures from Inverse Covariance Matrix via Sparse Matrix Decomposition [2.403264213118039]
  本稿では,逆共分散行列から因果構造を学習することに焦点を当てる。 提案手法は,行列分解モデルの連続的最適化に基づくICIDと呼ばれる。 本研究では,ノイズ分散の知識を前提として,提案した指向性非巡回グラフ(DAG)を効率よく同定することを示す。
  論文  参考訳（メタデータ） (2022-11-25T16:32:56Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• 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)
• 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。