論文の概要: Local Causal Discovery for Statistically Efficient Causal Inference

• arxiv url: http://arxiv.org/abs/2510.14582v1
• Date: Thu, 16 Oct 2025 11:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.832627
• Title: Local Causal Discovery for Statistically Efficient Causal Inference
• Title（参考訳）: 統計的に効率的な因果推論のための局所因果発見
• Authors: Mátyás Schubert, Tom Claassen, Sara Magliacane,
• Abstract要約: 因果探索法は,一対の目的変数に対する因果効果推定のための有効な調整セットを同定することができる。 グローバル因果探索法は、因果グラフ全体を学習することに集中し、最適な調整セットの回復を可能にする。 局所因果探索法は、目的変数の局所的な近傍に着目して、よりスケーラブルな代替手段を提供する。
• 参考スコア（独自算出の注目度）: 7.856998585396421
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery methods can identify valid adjustment sets for causal effect estimation for a pair of target variables, even when the underlying causal graph is unknown. Global causal discovery methods focus on learning the whole causal graph and therefore enable the recovery of optimal adjustment sets, i.e., sets with the lowest asymptotic variance, but they quickly become computationally prohibitive as the number of variables grows. Local causal discovery methods offer a more scalable alternative by focusing on the local neighborhood of the target variables, but are restricted to statistically suboptimal adjustment sets. In this work, we propose Local Optimal Adjustments Discovery (LOAD), a sound and complete causal discovery approach that combines the computational efficiency of local methods with the statistical optimality of global methods. First, LOAD identifies the causal relation between the targets and tests if the causal effect is identifiable by using only local information. If it is identifiable, it then finds the optimal adjustment set by leveraging local causal discovery to infer the mediators and their parents. Otherwise, it returns the locally valid parent adjustment sets based on the learned local structure. In our experiments on synthetic and realistic data LOAD outperforms global methods in scalability, while providing more accurate effect estimation than local methods.
• Abstract（参考訳）: 因果探索法は、基礎となる因果グラフが未知であっても、一対の目的変数に対する因果効果推定のための有効な調整セットを特定することができる。 グローバル因果探索法は、因果グラフ全体を学習することに集中し、したがって最適な調整セットの回復を可能にする。 局所因果探索法は、目的変数の局所的な近傍に焦点をあてることで、よりスケーラブルな代替手段を提供するが、統計的に最適な調整セットに制限される。 本研究では,局所的手法の計算効率と大域的手法の統計的最適性を組み合わせた健全で完全な因果探索手法であるLocal Optimal Adjustments Discovery (LOAD)を提案する。 まず、LOADは、ローカル情報のみを用いて因果効果を識別できる場合、ターゲットとテストの間の因果関係を識別する。 同定可能であれば、局所因果発見を利用して、仲介者と両親を推論することで、最適な調整セットを見つける。 そうでなければ、学習した局所構造に基づいて局所有効な親調整セットを返す。 合成および現実的なデータ LOAD の実験では、局所的な手法よりも正確な効果推定を提供しながら、グローバルな手法よりもスケーラビリティが優れています。

関連論文リスト

• 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)
• Local Causal Structure Learning in the Presence of Latent Variables [16.88791886307876]
  本稿では,変数がターゲットの直接的な原因や効果であるかどうかを判定する原理的手法を提案する。 実世界の合成データと実世界のデータによる実験結果から,本手法の有効性と有効性について検証した。
  論文  参考訳（メタデータ） (2024-05-25T13:31:05Z)
• Local Causal Discovery for Estimating Causal Effects [41.49486724979923]
  Eager Collider Checks (LDECC) を用いた局所発見 Eager Collider Checks (LDECC) を用いたローカルディスカバリの導入 LDECCと既存のアルゴリズムは、異なる忠実性の仮定に依存しており、この洞察を活用して、可能なATE値の集合を特定するための仮定を弱める。
  論文  参考訳（メタデータ） (2023-02-16T04:12:34Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。