論文の概要: Cyclic Counterfactuals under Shift-Scale Interventions

• arxiv url: http://arxiv.org/abs/2510.25005v1
• Date: Tue, 28 Oct 2025 22:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.807361
• Title: Cyclic Counterfactuals under Shift-Scale Interventions
• Title（参考訳）: シフトスケール干渉下における循環的対策
• Authors: Saptarshi Saha, Dhruv Vansraj Rathore, Utpal Garain,
• Abstract要約: ほとんどの反事実推論フレームワークは非循環構造因果モデル(SCM)を前提としている。 シフトスケール介入による循環型SCMの反ファクト推論について検討した。
• 参考スコア（独自算出の注目度）: 6.854298599996643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most counterfactual inference frameworks traditionally assume acyclic structural causal models (SCMs), i.e. directed acyclic graphs (DAGs). However, many real-world systems (e.g. biological systems) contain feedback loops or cyclic dependencies that violate acyclicity. In this work, we study counterfactual inference in cyclic SCMs under shift-scale interventions, i.e., soft, policy-style changes that rescale and/or shift a variable's mechanism.
• Abstract（参考訳）: ほとんどの反事実推論フレームワークは、伝統的に非巡回構造因果モデル(SCM)、すなわち有向非巡回グラフ(DAG)を仮定する。 しかし、現実世界のシステム(例えば生物学的システム)の多くは、非循環性に反するフィードバックループや循環依存を含んでいる。 本研究では, 循環型SCMにおける非実効的推論を, 変動のメカニズムを再スケール・シフトする, ソフトで方針的な変化という, シフトスケールの介入の下で検討する。

関連論文リスト

• Cyclic quantum causal modelling with a graph separation theorem [0.0]
  我々は、頑健な確率則と新しいグラフ分離特性、p-分離を導入し、これら全てのモデルに対して健全かつ完全であることを証明した。 提案手法は、選択後の量子テレポーテーションプロトコルを利用して、循環因果モデルから非巡回因果モデルにポストセレクションでマッピングする。
  論文  参考訳（メタデータ） (2025-02-06T15:51:15Z)
• 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)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Learning soft interventions in complex equilibrium systems [2.2463154358632473]
  我々はリー群に基づく微分可能な介入のための枠組みを確立する。 循環因果モデルにおける介入を最適化するために、現代の自動微分手法と暗黙の関数への応用を利用する。
  論文  参考訳（メタデータ） (2021-12-10T18:33:12Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)

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。