論文の概要: Distinguishability of causal structures under latent confounding and selection

• arxiv url: http://arxiv.org/abs/2509.20433v1
• Date: Wed, 24 Sep 2025 18:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.794676
• Title: Distinguishability of causal structures under latent confounding and selection
• Title（参考訳）: 潜伏条件下での因果構造の識別性と選択性
• Authors: Ryan Carey, Marina Maciel Ansanelli, Elie Wolfe, Robin J. Evans,
• Abstract要約: 我々は、因果グラフの同値類を新しい図形構造として定式化し、選択有理化有向グラフ(smDG)を定式化する。 2つの有向非巡回グラフと、選択された頂点とが同一のsmDGを持つことを示す。
• 参考スコア（独自算出の注目度）: 5.4951298386957825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical relationships in observed data can arise for several different reasons: the observed variables may be causally related, they may share a latent common cause, or there may be selection bias. Each of these scenarios can be modelled using different causal graphs. Not all such causal graphs, however, can be distinguished by experimental data. In this paper, we formulate the equivalence class of causal graphs as a novel graphical structure, the selected-marginalized directed graph (smDG). That is, we show that two directed acyclic graphs with latent and selected vertices have the same smDG if and only if they are indistinguishable, even when allowing for arbitrary interventions on the observed variables. As a substitute for the more familiar d-separation criterion for DAGs, we provide an analogous sound and complete separation criterion in smDGs for conditional independence relative to passive observations. Finally, we provide a series of sufficient conditions under which two causal structures are indistinguishable when there is only access to passive observations.
• Abstract（参考訳）: 観測された変数は因果関係があり、共通の原因を共有しているかもしれないし、選択バイアスがあるかもしれない。 これらのシナリオは、それぞれ異なる因果グラフを使ってモデル化することができる。 しかし、そのような因果グラフは全て実験データによって区別できるわけではない。 本稿では,因果グラフの同値クラスを新しいグラフィカルな構造として定式化し,選択有理化有向グラフ (smDG) を定式化する。 すなわち,2つの有向非巡回グラフと,選択された頂点が同一のsmDGを持つことを示す。 DAGのより親しみやすいd-セパレーション基準の代替として、受動的観察に対する条件独立のためのsmDGの類似音と完全分離基準を提供する。 最後に、2つの因果構造がパッシブな観察にしかアクセスできない場合に区別できないような、一連の十分な条件を提供する。

関連論文リスト

• Score matching through the roof: linear, nonlinear, and latent variables causal discovery [18.46845413928147]
  観測データからの因果発見は、非常に有望である。 既存の手法は根底にある因果構造に関する強い仮定に依存している。 本稿では線形・非線形・潜在変数モデルにおける因果探索に適したフレキシブルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-26T14:09:06Z)
• Learning nonparametric latent causal graphs with unknown interventions [18.6470340274888]
  潜在因果グラフが非パラメトリック同定可能な条件を確立する。 隠れ変数の数は分かっていないと仮定し、隠された変数に対して少なくとも1つの未知の介入が必要であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:06:35Z)
• 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)
• 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)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• 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。