論文の概要: On Efficient Adjustment in Causal Graphs

• arxiv url: http://arxiv.org/abs/2512.18315v1
• Date: Sat, 20 Dec 2025 11:02:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.28688
• Title: On Efficient Adjustment in Causal Graphs
• Title（参考訳）: 因果グラフの効率的な調整について
• Authors: Isabela Belciug, Simon Ferreira, Charles K. Assaad,
• Abstract要約: 要約因果グラフにおいて、より広範な有効な調整セットのクラスを識別する新しい基準を導入する。 我々の貢献は、より柔軟で効率的な因果推論のための理論的な進歩と実践的なツールの両方を提供する。
• 参考スコア（独自算出の注目度）: 8.334918207379173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Observational studies in fields such as epidemiology often rely on covariate adjustment to estimate causal effects. Classical graphical criteria, like the back-door criterion and the generalized adjustment criterion, are powerful tools for identifying valid adjustment sets in directed acyclic graphs (DAGs). However, these criteria are not directly applicable to summary causal graphs (SCGs), which are abstractions of DAGs commonly used in dynamic systems. In SCGs, each node typically represents an entire time series and may involve cycles, making classical criteria inapplicable for identifying causal effects. Recent work established complete conditions for determining whether the micro causal effect of a treatment or an exposure $X_{t-γ}$ on an outcome $Y_t$ is identifiable via covariate adjustment in SCGs, under the assumption of no hidden confounding. However, these identifiability conditions have two main limitations. First, they are complex, relying on cumbersome definitions and requiring the enumeration of multiple paths in the SCG, which can be computationally expensive. Second, when these conditions are satisfied, they only provide two valid adjustment sets, limiting flexibility in practical applications. In this paper, we propose an equivalent but simpler formulation of those identifiability conditions and introduce a new criterion that identifies a broader class of valid adjustment sets in SCGs. Additionally, we characterize the quasi-optimal adjustment set among these, i.e., the one that minimizes the asymptotic variance of the causal effect estimator. Our contributions offer both theoretical advancement and practical tools for more flexible and efficient causal inference in abstracted causal graphs.
• Abstract（参考訳）: 疫学のような分野における観察的研究は、因果効果を推定するために共変量調整に依存することが多い。 バックドア基準や一般化調整基準のような古典的なグラフィカルな基準は、有向非巡回グラフ(DAG)における有効な調整セットを特定する強力なツールである。 しかし、これらの基準は、動的システムで一般的に使用されるDAGの抽象化である要約因果グラフ(SCG)には直接適用されない。 SCGでは、各ノードは典型的には時系列全体を表現し、サイクルを伴いうるため、因果関係の特定には古典的な基準が適用できない。 近年の研究では, 処理による微小因果効果と暴露による$X_{t-γ}$がSCGにおける共変量調整によって識別可能であるかどうかを, 隠れた共起を仮定して決定するための完全な条件が確立されている。 しかしながら、これらの識別可能性条件には2つの主要な制限がある。 第一に、それらは複雑で、面倒な定義に依存し、計算コストのかかるSCGに複数の経路を列挙する必要がある。 第二に、これらの条件が満たされると、2つの有効な調整セットしか提供せず、実用用途の柔軟性が制限される。 本稿では,これらの同一性条件の等価かつ簡易な定式化を提案し,SCGにおけるより広範な有効な調整セットを識別する新しい基準を提案する。 さらに、これらのうちの準最適調整セット、すなわち、因果効果推定器の漸近的分散を最小限に抑えるものの特徴付けを行う。 我々の貢献は、抽象因果グラフにおけるより柔軟で効率的な因果推論のための理論的進歩と実践的ツールの両方を提供する。

関連論文リスト

• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Less Greedy Equivalence Search [52.818153111470394]
  Greedy Equivalence Search (GES)は、観測データから因果探索を行うためのスコアベースのアルゴリズムである。 我々はGESの変種であるLose Greedy Equivalence Search (LGES)を開発した。
  論文  参考訳（メタデータ） (2025-06-27T15:39:48Z)
• Local Markov Equivalence and Local Causal Discovery for Identifying Controlled Direct Effects [0.9208007322096533]
  制御された直接効果(CDE)を同定するための新しいアルゴリズムを提案する。 我々のアルゴリズムは条件付き独立テストを少なくし、理論的な保証を維持しながらより弱い仮定の下で運用する。 シミュレーション研究を通して,本手法の有効性について述べる。
  論文  参考訳（メタデータ） (2025-05-05T16:47:29Z)
• Markov Equivalence and Consistency in Differentiable Structure Learning [38.25218464260965]
  有向非巡回グラフ(DAG)の微分可能な構造学習への既存のアプローチは、強い識別可能性仮定に依存している。 一般確率下での微分可能非周期制約プログラムの挙動を解析することにより,これらの問題を説明・改善する。
  論文  参考訳（メタデータ） (2024-10-08T16:08:24Z)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• 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)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。