論文の概要: Linear Causal Discovery with Interventional Constraints

• arxiv url: http://arxiv.org/abs/2510.26342v1
• Date: Thu, 30 Oct 2025 10:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.76316
• Title: Linear Causal Discovery with Interventional Constraints
• Title（参考訳）: インターベンショナル制約による線形因果発見
• Authors: Zhigao Guo, Feng Dong,
• Abstract要約: 介入制約と呼ばれる因果発見に新しい概念を導入する。 介入制約は、因果的影響に対する不平等な制約という形で、高いレベルの因果的知識を符号化する。 実世界のデータセットに対する我々のアプローチを評価し、介入制約の統合がモデルの精度を改善し、確立された結果との整合性を確保することを実証する。
• 参考スコア（独自算出の注目度）: 2.5603448256298944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incorporating causal knowledge and mechanisms is essential for refining causal models and improving downstream tasks such as designing new treatments. In this paper, we introduce a novel concept in causal discovery, termed interventional constraints, which differs fundamentally from interventional data. While interventional data require direct perturbations of variables, interventional constraints encode high-level causal knowledge in the form of inequality constraints on causal effects. For instance, in the Sachs dataset (Sachs et al.\ 2005), Akt has been shown to be activated by PIP3, meaning PIP3 exerts a positive causal effect on Akt. Existing causal discovery methods allow enforcing structural constraints (for example, requiring a causal path from PIP3 to Akt), but they may still produce incorrect causal conclusions such as learning that "PIP3 inhibits Akt". Interventional constraints bridge this gap by explicitly constraining the total causal effect between variable pairs, ensuring learned models respect known causal influences. To formalize interventional constraints, we propose a metric to quantify total causal effects for linear causal models and formulate the problem as a constrained optimization task, solved using a two-stage constrained optimization method. We evaluate our approach on real-world datasets and demonstrate that integrating interventional constraints not only improves model accuracy and ensures consistency with established findings, making models more explainable, but also facilitates the discovery of new causal relationships that would otherwise be costly to identify.
• Abstract（参考訳）: 因果的知識とメカニズムを組み込むことは、因果的モデルを洗練し、新しい治療法を設計するといった下流業務を改善するために不可欠である。 本稿では、介入データと根本的に異なる介入制約と呼ばれる因果発見の新たな概念を紹介する。 介入データは変数の直接摂動を必要とするが、介入制約は因果効果に関する不等式制約という形で高レベルの因果的知識を符号化する。 例えば、サックスデータセット(Sachs et al \ 2005)では、AktがPIP3によって活性化されることが示されている。 既存の因果的発見法では、構造的制約(例えば、PIP3からAktへの因果的経路を必要とする)を強制することができるが、「PIP3はAktを阻害する」という学習のような誤った因果的結論がもたらされる可能性がある。 インターベンショナル制約は、変数ペア間の完全な因果効果を明示的に制限し、学習されたモデルが既知の因果影響を尊重することを保証することによって、このギャップを橋渡しする。 介入制約を定式化するために,線形因果モデルに対する全因果効果を定量化し,二段階制約最適化法を用いて解いた制約最適化タスクとして問題を定式化する指標を提案する。 実世界のデータセットに対する我々のアプローチを評価し、介入制約の統合がモデルの精度を向上し、確立された結果との整合性を確保し、モデルをより説明しやすくするだけでなく、それ以外は識別にコストがかかる新たな因果関係の発見を促進することを実証する。

関連論文リスト

• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
  非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。 本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
  論文  参考訳（メタデータ） (2024-07-06T07:19:21Z)
• Efficient Transfer Learning via Causal Bounds [8.981637739384674]
  我々は、因果側情報がどのようにオンライン学習を加速するかを分析し、データ削減の実験を行う。 我々の分析は、因果側情報がどのようにオンライン学習を加速させるか、およびデータ削減の実験を正確に特徴付ける。
  論文  参考訳（メタデータ） (2023-08-07T13:24:50Z)
• Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
  本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。 本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
  論文  参考訳（メタデータ） (2022-09-10T20:40:30Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Estimating Causal Effects with the Neural Autoregressive Density Estimator [6.59529078336196]
  我々は、Pearlのdo-calculusフレームワーク内の因果効果を推定するために、神経自己回帰密度推定器を使用する。 本手法は,変数間の相互作用を明示的にモデル化することなく,非線形システムから因果効果を抽出できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T13:12:38Z)

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。