論文の概要: Decentralized Causal Discovery using Judo Calculus

• arxiv url: http://arxiv.org/abs/2510.23942v1
• Date: Mon, 27 Oct 2025 23:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.626556
• Title: Decentralized Causal Discovery using Judo Calculus
• Title（参考訳）: 柔道計算を用いた分散型因果発見
• Authors: Sridhar Mahadevan,
• Abstract要約: 柔道計算を用いた因果発見のための直観主義的な分散化フレームワークについて述べる。 因果的主張は、一度に至る所ではなく、体制の表紙に真実であることが証明されている。 合成データセットから実世界のデータセットまで,生物学や経済学まで,さまざまな領域で実験結果を示す。
• 参考スコア（独自算出の注目度）: 1.3295383263113112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe a theory and implementation of an intuitionistic decentralized framework for causal discovery using judo calculus, which is formally defined as j-stable causal inference using j-do-calculus in a topos of sheaves. In real-world applications -- from biology to medicine and social science -- causal effects depend on regime (age, country, dose, genotype, or lab protocol). Our proposed judo calculus formalizes this context dependence formally as local truth: a causal claim is proven true on a cover of regimes, not everywhere at once. The Lawvere-Tierney modal operator j chooses which regimes are relevant; j-stability means the claim holds constructively and consistently across that family. We describe an algorithmic and implementation framework for judo calculus, combining it with standard score-based, constraint-based, and gradient-based causal discovery methods. We describe experimental results on a range of domains, from synthetic to real-world datasets from biology and economics. Our experimental results show the computational efficiency gained by the decentralized nature of sheaf-theoretic causal discovery, as well as improved performance over classical causal discovery methods.
• Abstract（参考訳）: 本稿は,j-do-calculus を用いたj-stable causal inference として定式化され,j-do-calculus をシーブのトポスに用いた因果発見のための直観主義的分散化フレームワークの理論と実装について述べる。 生物学から医学、社会科学まで、現実世界の応用においては、因果効果は体制(年齢、国、用量、遺伝子型、実験室のプロトコル)に依存する。 我々の提案した柔道計算は、この文脈依存を局所的真理として形式化し、因果的主張は、一度に至る所ではなく、体制の表紙で真であることが証明される。 Lawvere-Tierney モダル作用素 j はどのレジームが関係するかを選択する。 本稿では,ジュド計算のアルゴリズムと実装の枠組みを,標準スコアベース,制約ベース,勾配ベースの因果探索法と組み合わせて述べる。 合成データセットから実世界のデータセットまで,生物学や経済学まで,さまざまな分野の実験結果について述べる。 実験結果から, せん断理論因果発見の分散性による計算効率の向上と, 古典因果発見法の性能向上が示された。

関連論文リスト

• Probably Approximately Correct Causal Discovery [21.260465708905585]
  本稿では,PACC (Probably Aough correct Causal) Discovery フレームワークを提案する。 このフレームワークは、確立された因果的手法の計算効率とサンプル効率の両方を強調している。 また、他の広く使われている方法の理論的保証を提供することもできる。
  論文  参考訳（メタデータ） (2025-07-25T02:51:15Z)
• Argumentative Causal Discovery [13.853426822028975]
  因果発見は、データの特徴間の因果関係を発掘することにつながる。 データ内の因果依存性を反映したグラフを学習するために仮定ベースの議論(ABA)をデプロイする。 我々は,本手法が望ましい特性を示すことを証明し,特に自然条件下では,地底因果グラフを検索できることを示す。
  論文  参考訳（メタデータ） (2024-05-18T10:34:34Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
  微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。 関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。 この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2022-10-15T17:32:49Z)
• 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)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Causal Relational Learning [29.082088734252213]
  因果的背景知識と仮定を捉えるために,CaRLという宣言型言語を提案する。 CaRLは、関係ドメインにおける複雑な介入の影響を因果関係と推論する基盤を提供する。
  論文  参考訳（メタデータ） (2020-04-07T18:33:05Z)
• On Computation and Generalization of Generative Adversarial Imitation Learning [134.17122587138897]
  GAIL(Generative Adversarial Learning)は、シーケンシャルな意思決定ポリシーを学習するための強力で実践的なアプローチである。 本稿ではGAILの理論的性質について考察する。
  論文  参考訳（メタデータ） (2020-01-09T00:40:19Z)

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。