論文の概要: Relaxing partition admissibility in Cluster-DAGs: a causal calculus with arbitrary variable clustering

• arxiv url: http://arxiv.org/abs/2511.01396v1
• Date: Mon, 03 Nov 2025 09:44:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.209232
• Title: Relaxing partition admissibility in Cluster-DAGs: a causal calculus with arbitrary variable clustering
• Title（参考訳）: クラスタDAGにおけるリラクシングパーティション許容性:任意の変数クラスタリングを持つ因果計算
• Authors: Clément Yvernes, Emilie Devijver, Adèle H. Ribeiro, Marianne Clausel--Lesourd, Éric Gaussier,
• Abstract要約: クラスタDAGは、ノードが変数のクラスタを表す因果グラフの抽象化を提供する。 C-DAGは、クラスターレベルの関係に一致する非巡回因果グラフの同値類を定義する。 我々はC-DAGフレームワークを拡張し、パーティション許容制約を緩和することで任意の変数クラスタリングをサポートする。
• 参考スコア（独自算出の注目度）: 6.368649929916175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cluster DAGs (C-DAGs) provide an abstraction of causal graphs in which nodes represent clusters of variables, and edges encode both cluster-level causal relationships and dependencies arisen from unobserved confounding. C-DAGs define an equivalence class of acyclic causal graphs that agree on cluster-level relationships, enabling causal reasoning at a higher level of abstraction. However, when the chosen clustering induces cycles in the resulting C-DAG, the partition is deemed inadmissible under conventional C-DAG semantics. In this work, we extend the C-DAG framework to support arbitrary variable clusterings by relaxing the partition admissibility constraint, thereby allowing cyclic C-DAG representations. We extend the notions of d-separation and causal calculus to this setting, significantly broadening the scope of causal reasoning across clusters and enabling the application of C-DAGs in previously intractable scenarios. Our calculus is both sound and atomically complete with respect to the do-calculus: all valid interventional queries at the cluster level can be derived using our rules, each corresponding to a primitive do-calculus step.
• Abstract（参考訳）: クラスタDAG(CクラスタDAG)は、ノードが変数のクラスタを表す因果グラフの抽象化を提供する。 C-DAGは、クラスタレベルの関係に一致する非巡回因果グラフの同値類を定義し、より高度な抽象レベルで因果推論を可能にする。 しかし、選択されたクラスタリングがC-DAGのサイクルを誘導すると、分割は従来のC-DAGセマンティクスでは許容できないとみなされる。 本研究では,C-DAGフレームワークを拡張して,分割許容制約を緩和することにより任意の変数クラスタリングをサポートすることにより,循環的なC-DAG表現を可能にする。 我々は、d-セパレーションと因果計算の概念をこの設定にまで拡張し、クラスタ間の因果推論の範囲を大きく広げ、C-DAGを以前難解なシナリオで適用できるようにする。 クラスタレベルの有効な介入クエリはすべて、プリミティブなdo-calculusステップに対応して、私たちのルールを使って取り出すことができます。

関連論文リスト

• Quantum-Assisted Correlation Clustering [3.8448698053186843]
  この研究は、グラフベースの教師なし学習タスクである相関クラスタリングのためのハイブリッド量子古典的手法を導入する。 我々は、もともと連立構造生成のために設計された量子支援型解法GCS-Qを適用し、署名付きグラフにおけるクラスタ内合意を最大化する。 合成符号グラフと実世界のハイパースペクトル画像データに関する実証的な評価は、相関クラスタリングに適応すると、GCS-Qはロバスト性およびクラスタリング品質において古典的アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-03T12:14:35Z)
• Note on the identification of total effect in Cluster-DAGs with cycles [0.0]
  本稿では,クラスタDAGにおける全効果の同定可能性について論じる。 まず、クラスタDAGを最大4つのノードを含むクラスタに制限し、次に、d-セパレーションの概念を適用します。
  論文  参考訳（メタデータ） (2025-04-10T17:39:43Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Towards Explainable Clustering: A Constrained Declarative based Approach [0.294944680995069]
  古典的クラスタリング基準の観点から,高品質なクラスタリングを実現することを目指しており,その説明が可能である。 クラスタリングに関する優れたグローバルな説明は、各クラスタの特徴を、そのオブジェクトを記述する能力を考慮して与えるべきである。 そこで我々は,ECS と呼ばれる新しい解釈可能な制約付き手法を提案する。
  論文  参考訳（メタデータ） (2024-03-26T21:00:06Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。