論文の概要: On the identifiability of causal graphs with multiple environments

• arxiv url: http://arxiv.org/abs/2510.13583v1
• Date: Wed, 15 Oct 2025 14:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.703129
• Title: On the identifiability of causal graphs with multiple environments
• Title（参考訳）: 複数の環境をもつ因果グラフの識別可能性について
• Authors: Francesco Montagna,
• Abstract要約: i.d.観測データからの因果関係の発見は一般的には不十分である。 構造因果モデルにアクセスでき、ノイズ統計に十分な差がある2つの環境から追加のデータがあれば、ユニークな因果グラフが識別可能であることを実証する。 これは、因果グラフ全体の回復を一定数の環境と任意の非線形メカニズムで保証する最初の結果である。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery from i.i.d. observational data is known to be generally ill-posed. We demonstrate that if we have access to the distribution of a structural causal model, and additional data from only two environments that sufficiently differ in the noise statistics, the unique causal graph is identifiable. Notably, this is the first result in the literature that guarantees the entire causal graph recovery with a constant number of environments and arbitrary nonlinear mechanisms. Our only constraint is the Gaussianity of the noise terms; however, we propose potential ways to relax this requirement. Of interest on its own, we expand on the well-known duality between independent component analysis (ICA) and causal discovery; recent advancements have shown that nonlinear ICA can be solved from multiple environments, at least as many as the number of sources: we show that the same can be achieved for causal discovery while having access to much less auxiliary information.
• Abstract（参考訳）: i.d.観測データによる因果関係の発見は、一般的には不適切であることが知られている。 構造因果モデルの分布にアクセスでき、ノイズ統計に十分に異なる2つの環境から追加のデータが得られた場合、ユニークな因果グラフが識別可能であることを実証する。 特に、これは因果グラフ全体の回復を一定数の環境と任意の非線形機構で保証する文献における最初の結果である。 我々の唯一の制約はノイズ項のガウス性であるが、我々はこの要件を緩和する潜在的方法を提案する。 独立成分分析 (ICA) と因果発見 (Cousal discovery) の双対性については,近年の進歩により,複数の環境,少なくとも複数の情報源から非線形ICAを解けることが示されている。

関連論文リスト

• Distinguishability of causal structures under latent confounding and selection [5.4951298386957825]
  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。
  論文  参考訳（メタデータ） (2025-09-24T18:00:22Z)
• 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)
• Causal Discovery under Latent Class Confounding [2.1749194587826026]
  グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを示す。 グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを実証する。
  論文  参考訳（メタデータ） (2023-11-13T16:35:34Z)
• 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)
• 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)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• 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)

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。