論文の概要: Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data

• arxiv url: http://arxiv.org/abs/2509.25800v1
• Date: Tue, 30 Sep 2025 05:18:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.438046
• Title: Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
• Title（参考訳）: 潜在共同設立者による因果グラフの特徴と学習とインターベンショナルデータからの事後選択
• Authors: Gongxu Luo, Loka Li, Guangyi Chen, Haoyue Dai, Kun Zhang,
• Abstract要約: 後処理の選択は、介入の下で急激な依存関係や分布の変化をもたらす可能性がある。 治療後選択を明示的にモデル化する新たな因果関係定式化を導入し、介入に対する差分反応が選択パターンと因果関係を区別する方法について明らかにする。 我々は、因果関係、潜伏した共同設立者、および処理後の選択を最大$mathcalFI$-Markov同値まで識別するために、証明可能な健全かつ完全なアルゴリズムであるF-FCIを開発した。
• 参考スコア（独自算出の注目度）: 16.805686863404077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interventional causal discovery seeks to identify causal relations by leveraging distributional changes introduced by interventions, even in the presence of latent confounders. Beyond the spurious dependencies induced by latent confounders, we highlight a common yet often overlooked challenge in the problem due to post-treatment selection, in which samples are selectively included in datasets after interventions. This fundamental challenge widely exists in biological studies; for example, in gene expression analysis, both observational and interventional samples are retained only if they meet quality control criteria (e.g., highly active cells). Neglecting post-treatment selection may introduce spurious dependencies and distributional changes under interventions, which can mimic causal responses, thereby distorting causal discovery results and challenging existing causal formulations. To address this, we introduce a novel causal formulation that explicitly models post-treatment selection and reveals how its differential reactions to interventions can distinguish causal relations from selection patterns, allowing us to go beyond traditional equivalence classes toward the underlying true causal structure. We then characterize its Markov properties and propose a Fine-grained Interventional equivalence class, named FI-Markov equivalence, represented by a new graphical diagram, F-PAG. Finally, we develop a provably sound and complete algorithm, F-FCI, to identify causal relations, latent confounders, and post-treatment selection up to $\mathcal{FI}$-Markov equivalence, using both observational and interventional data. Experimental results on synthetic and real-world datasets demonstrate that our method recovers causal relations despite the presence of both selection and latent confounders.
• Abstract（参考訳）: インターベンショナル因果発見(Interventional causal discovery)は、潜伏した共同設立者の存在下でも、介入によってもたらされる分布変化を活用して因果関係の同定を試みる。 潜伏した共同創設者が引き起こした急激な依存関係以外にも、介入後のデータセットにサンプルを選択的に含める、後処理の選択による問題において、一般的に見落とされがちな課題が浮き彫りになっている。 この根本的な課題は生物学的研究において広く存在し、例えば遺伝子発現解析では、観察的サンプルと介入的サンプルの両方が品質制御基準(例えば高活性細胞)を満たす場合にのみ保持される。 治療後の選択を無視すると、介入による素早い依存や分布の変化が生じ、因果反応を模倣し、因果発見結果を歪ませ、既存の因果関係の定式化に挑戦することができる。 そこで本研究では, 治療後の選択を明示的にモデル化し, その介入に対する差動反応が, 選択パターンと因果関係を区別し, 従来の等価クラスを超えて, 根底にある真の因果構造へと進むことができることを示す。 次に、そのマルコフ特性を特徴づけ、新しい図式 F-PAG で表される FI-マルコフ同値(FI-マルコフ同値)と呼ばれる微細なインターベンショナル同値類を提案する。 最後に、観測データと介入データの両方を用いて、因果関係、潜伏した共同設立者、および処理後の選択を最大$\mathcal{FI}$-Markov同値まで同定する、証明可能な健全かつ完全なアルゴリズムF-FCIを開発した。 合成・実世界のデータセットを用いた実験結果から,提案手法は,選択・潜在共同設立者の有無にかかわらず因果関係を回復することが示された。

関連論文リスト

• When Selection Meets Intervention: Additional Complexities in Causal Discovery [16.629408366459575]
  介入研究では、被験者が実験に選択的に登録されるが、見落とされがちな選択バイアスに対処する。 我々は、観察された世界(介入が適用される)と反現実世界(介入が適用されていないときに選択が発生する)の両方を明示的に説明するグラフィカルモデルを導入する。 因果関係を同定し,同値クラスへの選択機構を提案する。
  論文  参考訳（メタデータ） (2025-03-10T13:22:38Z)
• 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)
• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• 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)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders [6.1221613913018675]
  本稿では,反復因果探索 (RCD) と呼ばれる因果関数モデルに基づく手法を提案する。 RCDは、少数の観測変数間で因果方向を推論し、その関係が潜伏した共同設立者の影響を受けているかどうかを判定する。
  論文  参考訳（メタデータ） (2020-01-13T12:55:47Z)

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。