論文の概要: MetaCaDI: A Meta-Learning Framework for Scalable Causal Discovery with Unknown Interventions
- arxiv url: http://arxiv.org/abs/2510.22298v1
- Date: Sat, 25 Oct 2025 13:59:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 19:54:32.509403
- Title: MetaCaDI: A Meta-Learning Framework for Scalable Causal Discovery with Unknown Interventions
- Title（参考訳）: MetaCaDI - 未知の介入によるスケーラブルな因果発見のためのメタ学習フレームワーク
- Authors: Hans Jarett Ong, Yoichi Chikahara, Tomoharu Iwata,
- Abstract要約: 本稿では,メタ学習問題として,因果グラフと未知の介入を共同で発見する最初のフレームワークであるMetaCaDIを紹介する。
重要な革新は、我々のモデルの分析的適応であり、これは、高価で不安定な勾配ベースの双レベル最適化をバイパスするためにクローズドフォームのソリューションを使用する。
因果グラフのリカバリと、最大10のデータインスタンスからの介入ターゲットの特定の両方に優れており、データスカースシナリオにおける堅牢性を示している。
- 参考スコア（独自算出の注目度）: 18.13509245960298
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncovering the underlying causal mechanisms of complex real-world systems remains a significant challenge, as these systems often entail high data collection costs and involve unknown interventions. We introduce MetaCaDI, the first framework to cast the joint discovery of a causal graph and unknown interventions as a meta-learning problem. MetaCaDI is a Bayesian framework that learns a shared causal graph structure across multiple experiments and is optimized to rapidly adapt to new, few-shot intervention target prediction tasks. A key innovation is our model's analytical adaptation, which uses a closed-form solution to bypass expensive and potentially unstable gradient-based bilevel optimization. Extensive experiments on synthetic and complex gene expression data demonstrate that MetaCaDI significantly outperforms state-of-the-art methods. It excels at both causal graph recovery and identifying intervention targets from as few as 10 data instances, proving its robustness in data-scarce scenarios.
- Abstract（参考訳）: 複雑な現実世界のシステムの因果関係を明らかにすることは、しばしば高いデータ収集コストと未知の介入を伴うため、大きな課題である。
本稿では,メタ学習問題として,因果グラフと未知の介入を共同で発見する最初のフレームワークであるMetaCaDIを紹介する。
MetaCaDIは、複数の実験で共通因果グラフ構造を学習するベイズ的なフレームワークであり、新しい、数発の介入対象予測タスクに迅速に適応するように最適化されている。
重要な革新は、我々のモデルの分析的適応であり、これは、高価で不安定な勾配ベースの双レベル最適化をバイパスするためにクローズドフォームのソリューションを使用する。
合成および複雑な遺伝子発現データに対する大規模な実験により、MetaCaDIは最先端の手法よりも著しく優れていることが示された。
因果グラフのリカバリと、最大10のデータインスタンスからの介入ターゲットの特定の両方に優れており、データスカースシナリオにおける堅牢性を示している。
関連論文リスト
- CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。
因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。
CAnDOITのPython実装も開発され、GitHubで公開されている。
論文 参考訳（メタデータ） (2024-10-03T13:57:08Z) - Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。
大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。
GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。
我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-11-24T17:04:45Z)
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。