論文の概要: Rethinking Causal Discovery Through the Lens of Exchangeability

• arxiv url: http://arxiv.org/abs/2512.10152v1
• Date: Wed, 10 Dec 2025 23:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.113115
• Title: Rethinking Causal Discovery Through the Lens of Exchangeability
• Title（参考訳）: 交換性レンズによる因果発見の再考
• Authors: Tiago Brogueira, Mário Figueiredo,
• Abstract要約: 因果発見法は伝統的に2つの異なる体制の下で開発されてきた。 i.i.d.設定は交換可能性の観点から再編成可能でなければならないと我々は主張する。 我々の交換可能な合成データセットは、実際の「i.i.d.」データセットの統計構造を、他のすべてのi.i.d.合成データセットよりも密接に反映していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery methods have traditionally been developed under two distinct regimes: independent and identically distributed (i.i.d.) and timeseries data, each governed by separate modelling assumptions. In this paper, we argue that the i.i.d. setting can and should be reframed in terms of exchangeability, a strictly more general symmetry principle. We present the implications of this reframing, alongside two core arguments: (1) a conceptual argument, based on extending the dependency of experimental causal inference on exchangeability to causal discovery; and (2) an empirical argument, showing that many existing i.i.d. causal-discovery methods are predicated on exchangeability assumptions, and that the sole extensive widely-used real-world "i.i.d." benchmark (the Tübingen dataset) consists mainly of exchangeable (and not i.i.d.) examples. Building on this insight, we introduce a novel synthetic dataset that enforces only the exchangeability assumption, without imposing the stronger i.i.d. assumption. We show that our exchangeable synthetic dataset mirrors the statistical structure of the real-world "i.i.d." dataset more closely than all other i.i.d. synthetic datasets. Furthermore, we demonstrate the predictive capability of this dataset by proposing a neural-network-based causal-discovery algorithm trained exclusively on our synthetic dataset, and which performs similarly to other state-of-the-art i.i.d. methods on the real-world benchmark.
• Abstract（参考訳）: 因果発見法は伝統的に2つの異なる体制の下で開発されてきた。 この論文では、i.i.d. 設定は交換可能性の観点から、厳密にはより一般的な対称性の原理として再編成されるべきであると論じる。 1)因果発見への交換可能性に対する実験的因果推論の依存性の拡張に基づく概念的論証、(2)既存の因果発見法の多くが交換可能性仮定に基づいて述示されていることを示す実証的論証、そして、唯一広く使われている実世界の「i.i.d.」ベンチマーク(チュービンゲンデータセット)は、主に交換可能な(およびi.i.d.ではない)例から成り立っていることを示す。 この知見に基づいて、より強いi.d.仮定を課すことなく、交換可能性仮定のみを強制する新しい合成データセットを導入する。 我々の交換可能な合成データセットは、実際の「i.i.d.」データセットの統計構造を、他のすべてのi.i.d.合成データセットよりも密接に反映していることを示す。 さらに,このデータセットの予測能力について,ニューラルネットワークに基づく因果探索アルゴリズムを提案する。

関連論文リスト

• Differentiable Cyclic Causal Discovery Under Unmeasured Confounders [11.594415886406553]
  DCCD-CONFは、計測されていない共同創設者の存在下での非線形環状因果グラフの微分可能学習のための新しいフレームワークである。 我々は,DCCD-CONFが因果グラフの回復と共同設立者の識別において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-11T20:13:34Z)
• Synthetic Tabular Data Validation: A Divergence-Based Approach [8.062368743143388]
  分散は、データ分散間の相違を定量化する。 従来のアプローチでは、各特徴に対して独立して発散率を計算する。 本稿では,差分推定を用いて限界比較の限界を克服する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-13T15:07:52Z)
• Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms [17.368146833023893]
  本稿では,RKHS埋め込みの異種変換に基づく新しいスコア尺度を提案し,因果発見のための条件密度の高次モーメントを抽出する。 各仮説的原因影響方向のスコアを比較して推論を行う。
  論文  参考訳（メタデータ） (2024-01-31T17:28:05Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。