論文の概要: IRIS: An Iterative and Integrated Framework for Verifiable Causal Discovery in the Absence of Tabular Data

• arxiv url: http://arxiv.org/abs/2510.09217v1
• Date: Fri, 10 Oct 2025 09:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.616614
• Title: IRIS: An Iterative and Integrated Framework for Verifiable Causal Discovery in the Absence of Tabular Data
• Title（参考訳）: IRIS: タブラルデータの存在下での検証可能な因果発見のための反復的統合フレームワーク
• Authors: Tao Feng, Lizhen Qu, Niket Tandon, Gholamreza Haffari,
• Abstract要約: IRIS(Iterative Retrieval and Integrated System for Real-Time Causal Discovery)は,これらの制約に対処する新しいフレームワークである。 我々のアプローチは、既存のデータセットを必要とせずに、初期変数のセットのみからリアルタイム因果発見を可能にする。
• 参考スコア（独自算出の注目度）: 55.37714903189613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery is fundamental to scientific research, yet traditional statistical algorithms face significant challenges, including expensive data collection, redundant computation for known relations, and unrealistic assumptions. While recent LLM-based methods excel at identifying commonly known causal relations, they fail to uncover novel relations. We introduce IRIS (Iterative Retrieval and Integrated System for Real-Time Causal Discovery), a novel framework that addresses these limitations. Starting with a set of initial variables, IRIS automatically collects relevant documents, extracts variables, and uncovers causal relations. Our hybrid causal discovery method combines statistical algorithms and LLM-based methods to discover known and novel causal relations. In addition to causal discovery on initial variables, the missing variable proposal component of IRIS identifies and incorporates missing variables to expand the causal graphs. Our approach enables real-time causal discovery from only a set of initial variables without requiring pre-existing datasets.
• Abstract（参考訳）: 因果発見は科学研究の基本であるが、従来の統計アルゴリズムは、高価なデータ収集、既知の関係に対する冗長な計算、非現実的な仮定など、重大な課題に直面している。 近年のLSMに基づく手法は、よく知られた因果関係の同定に優れているが、新しい関係を明らかにするには至らなかった。 IRIS(Iterative Retrieval and Integrated System for Real-Time Causal Discovery)は,これらの制約に対処する新しいフレームワークである。 初期変数のセットから始めて、IRISは関連ドキュメントを自動的に収集し、変数を抽出し、因果関係を明らかにする。 我々のハイブリッド因果探索法は、統計的アルゴリズムとLLMに基づく手法を組み合わせて、既知の因果関係と新しい因果関係を発見する。 初期変数の因果発見に加えて、IRISの欠落変数提案コンポーネントは、欠落変数を特定して、因果グラフを拡張する。 我々のアプローチは、既存のデータセットを必要とせずに、初期変数のセットのみからリアルタイム因果発見を可能にする。

関連論文リスト

• Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
  因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点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） (2025-02-27T14:06:14Z)
• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• 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)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• Causal Graph Discovery with Retrieval-Augmented Generation based Large Language Models [23.438388321411693]
  因果グラフの回復は、伝統的に統計的推定に基づく手法や、興味のある変数に関する個人の知識に基づいて行われる。 本稿では,大言語モデル(LLM)を利用して,一般的な因果グラフ復元タスクにおける因果関係を推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-23T13:02:10Z)
• Discovery of the Hidden World with Large Language Models [95.58823685009727]
  本稿では,大きな言語モデル(LLM)を導入してギャップを埋めるCausal representatiOn AssistanT(COAT)を提案する。 LLMは世界中の大規模な観測に基づいて訓練されており、構造化されていないデータから重要な情報を抽出する優れた能力を示している。 COATはまた、特定変数間の因果関係を見つけるためにCDを採用し、提案された要因を反復的に洗練するためにLSMにフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Causal discovery under a confounder blanket [9.196779204457059]
  観測データから因果関係を推定することは容易ではないが、高次元では特に難しい。 これらの仮定を緩和し、より重要な問題、すなわち有向非巡回部分グラフの回復に焦点を当てる。 これらの条件下で因果関係を同定し、テスト手順を実装するための完全なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-11T18:10:45Z)
• Improving Efficiency and Accuracy of Causal Discovery Using a Hierarchical Wrapper [7.570246812206772]
  観測データからの因果発見は、科学の多くの分野において重要なツールである。 大規模なサンプルリミットでは、音と完全な因果探索アルゴリズムが導入されている。 しかし、これらのアルゴリズムが使用する統計的テストのパワーを制限するのは、有限のトレーニングデータのみである。
  論文  参考訳（メタデータ） (2021-07-11T09:24:49Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。