論文の概要: The Robustness of Differentiable Causal Discovery in Misspecified Scenarios

• arxiv url: http://arxiv.org/abs/2510.12503v1
• Date: Tue, 14 Oct 2025 13:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.332336
• Title: The Robustness of Differentiable Causal Discovery in Misspecified Scenarios
• Title（参考訳）: 不特定シナリオにおける識別可能な因果発見のロバスト性
• Authors: Huiyang Yi, Yanyan He, Duxin Chen, Mingyu Kang, He Wang, Wenwu Yu,
• Abstract要約: 因果発見は、変数間の因果関係をターゲットデータから学習することを目的としている。 異なる因果発見法は,構造的ハミング距離と構造的干渉距離の指標の下で堅牢性を示すことを示す。
• 参考スコア（独自算出の注目度）: 18.797446049830636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery aims to learn causal relationships between variables from targeted data, making it a fundamental task in machine learning. However, causal discovery algorithms often rely on unverifiable causal assumptions, which are usually difficult to satisfy in real-world data, thereby limiting the broad application of causal discovery in practical scenarios. Inspired by these considerations, this work extensively benchmarks the empirical performance of various mainstream causal discovery algorithms, which assume i.i.d. data, under eight model assumption violations. Our experimental results show that differentiable causal discovery methods exhibit robustness under the metrics of Structural Hamming Distance and Structural Intervention Distance of the inferred graphs in commonly used challenging scenarios, except for scale variation. We also provide the theoretical explanations for the performance of differentiable causal discovery methods. Finally, our work aims to comprehensively benchmark the performance of recent differentiable causal discovery methods under model assumption violations, and provide the standard for reasonable evaluation of causal discovery, as well as to further promote its application in real-world scenarios.
• Abstract（参考訳）: 因果発見は、ターゲットデータから変数間の因果関係を学習することを目的としており、機械学習における基本的なタスクである。 しかし、因果発見アルゴリズムは、しばしば検証不可能な因果推定に依存しており、これは実世界のデータでは満たせないため、実際的なシナリオにおける因果発見の幅広い適用を制限する。 これらの考察にインスパイアされたこの研究は、様々な主要な因果探索アルゴリズムの実証的な性能を広範囲にベンチマークし、8つのモデル仮定違反を仮定する。 実験結果から,構造的ハミング距離と構造的インターベンション距離の尺度では,スケールの変動を除いて,一般的に用いられる難解なシナリオにおいて,異なる因果探索法が堅牢性を示すことが示された。 また、異なる因果探索法の性能に関する理論的説明も提供する。 最後に、本研究の目的は、モデル仮定違反下での最近の微分因果発見手法の性能を総合的に評価し、因果発見を合理的に評価するための標準を提供し、実世界のシナリオにおけるその適用をさらに促進することである。

関連論文リスト

• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• Differentiable Causal Discovery For Latent Hierarchical Causal Models [19.373348700715578]
  非線形潜在階層因果モデルの同定可能性に関する新しい理論的結果を示す。 我々は,そのようなモデルの構造を効率的に推定する,新しい微分可能な因果探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-29T09:08:20Z)
• Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data [3.8443430569753025]
  観測データからの因果発見は、データ生成プロセスで使用される構造方程式の定式化に厳密な識別可能性の仮定を課す。 統合された性能評価フレームワークの欠如により、我々は解釈可能な6次元評価指標、すなわち、最適解の距離(DOS)を導入する。 本研究は、7つの異なる家系における構造学習アルゴリズムの性能を、不特定非非線形因果パターンの割合の増加に基づいて評価する最初の研究である。
  論文  参考訳（メタデータ） (2024-09-28T15:03:49Z)
• 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)
• Assumption violations in causal discovery and the robustness of score matching [38.60630271550033]
  本稿では、最近の因果発見手法の観測データに対する実証的性能を広範囲にベンチマークする。 スコアマッチングに基づく手法は、推定されたグラフの偽陽性と偽陰性率において驚くべき性能を示すことを示す。 本論文は,因果発見手法の評価のための新しい基準を策定することを願っている。
  論文  参考訳（メタデータ） (2023-10-20T09:56:07Z)
• A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms [15.483478537540385]
  本稿では,原因発見タスクを変数のパラダイムに従って3つのタイプに分割する。 次に、各タスクに関する関連するデータセットと、同時に構築された最終的な因果モデルを定義し、インスタンス化する。 本稿では、因果発見分野における現在の研究ギャップについて、様々な観点からのロードマップを提案する。
  論文  参考訳（メタデータ） (2022-09-14T01:52:17Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)

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。