論文の概要: Latent Variable Causal Discovery under Selection Bias

• arxiv url: http://arxiv.org/abs/2512.11219v1
• Date: Fri, 12 Dec 2025 02:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.62136
• Title: Latent Variable Causal Discovery under Selection Bias
• Title（参考訳）: 選択バイアス下における潜時変動因果発見
• Authors: Haoyue Dai, Yiwen Qiu, Ignavier Ng, Xinshuai Dong, Peter Spirtes, Kun Zhang,
• Abstract要約: 条件付き独立制約への一般化として、線形ガウスモデルにおける共分散部分行列のランクを利用するランク制約について検討する。 選択は結合分布を著しく複雑にすることができるが、偏りのある共分散行列のランクは因果構造と選択機構の両方について有意義な情報を保持する。 このツールを用いて、古典的な潜在変数モデルである1要素モデルが選択バイアスの下で同定できることを実証する。
• 参考スコア（独自算出の注目度）: 31.127374830119454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Addressing selection bias in latent variable causal discovery is important yet underexplored, largely due to a lack of suitable statistical tools: While various tools beyond basic conditional independencies have been developed to handle latent variables, none have been adapted for selection bias. We make an attempt by studying rank constraints, which, as a generalization to conditional independence constraints, exploits the ranks of covariance submatrices in linear Gaussian models. We show that although selection can significantly complicate the joint distribution, interestingly, the ranks in the biased covariance matrices still preserve meaningful information about both causal structures and selection mechanisms. We provide a graph-theoretic characterization of such rank constraints. Using this tool, we demonstrate that the one-factor model, a classical latent variable model, can be identified under selection bias. Simulations and real-world experiments confirm the effectiveness of using our rank constraints.
• Abstract（参考訳）: 潜伏変数因果発見における選択バイアスに対処することは重要であるが、主に適切な統計ツールが欠如していることから、探索が過小評価されている: 基本的な条件付き独立性以外の様々なツールが潜伏変数を扱うために開発されているが、選択バイアスには適応していない。 我々は、条件付き独立制約の一般化として、線型ガウスモデルにおける共分散部分行列のランクを利用するランク制約の研究を試みる。 選択は結合分布を著しく複雑にすることができるが、興味深いことに、偏りのある共分散行列のランクは因果構造と選択機構の両方について有意義な情報を保っている。 このような階数制約をグラフ理論で特徴づける。 このツールを用いて、古典的な潜在変数モデルである1要素モデルが選択バイアスの下で同定できることを実証する。 シミュレーションと実世界の実験により,我々のランク制約を用いることの有効性が確認された。

関連論文リスト

• Diffusion-Driven High-Dimensional Variable Selection [6.993247097440294]
  本稿では,高忠実度合成データを生成する拡散モデルの能力を生かした再サンプル集約フレームワークを提案する。 提案手法は軽微な仮定の下で一貫した選択であることを示す。 本手法は,変数選択手法を改良し,統計的に厳密な解析を行うためのツールキットを拡充する。
  論文  参考訳（メタデータ） (2025-08-19T14:54:20Z)
• A Complete Decomposition of KL Error using Refined Information and Mode Interaction Selection [11.994525728378603]
  我々は高次モード相互作用に着目したログ線形モデルの古典的定式化を再考する。 学習した分布は、実際に利用可能な有限量のデータをより効率的に利用することができる。
  論文  参考訳（メタデータ） (2024-10-15T18:08:32Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• 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)
• Local Constraint-Based Causal Discovery under Selection Bias [8.465604845422238]
  本稿では,独立制約選択バイアスから因果関係を発見することの問題点を考察する。 代わりに独立関係の局所的なパターンに注目し、背景知識を含む3変数のみの健全な手法は見つからない。 Y構造パターンは、サイクルが存在する可能性のある選択バイアス下のデータから因果関係を予測する際に、健全であることが示されている。
  論文  参考訳（メタデータ） (2022-03-03T16:52:22Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。