論文の概要: Probabilistic Modelling is Sufficient for Causal Inference

• arxiv url: http://arxiv.org/abs/2512.23408v1
• Date: Mon, 29 Dec 2025 12:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.484672
• Title: Probabilistic Modelling is Sufficient for Causal Inference
• Title（参考訳）: 確率的モデリングは因果推論に十分である
• Authors: Bruno Mlodozeniec, David Krueger, Richard E. Turner,
• Abstract要約: 因果推論は機械学習における重要な研究領域である。 機械学習の文献には、因果的な疑問に答えるためには、見事な因果関係のフレームワークが必要であるという主張が有力である。
• 参考スコア（独自算出の注目度）: 27.97538820912214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference is a key research area in machine learning, yet confusion reigns over the tools needed to tackle it. There are prevalent claims in the machine learning literature that you need a bespoke causal framework or notation to answer causal questions. In this paper, we want to make it clear that you \emph{can} answer any causal inference question within the realm of probabilistic modelling and inference, without causal-specific tools or notation. Through concrete examples, we demonstrate how causal questions can be tackled by writing down the probability of everything. Lastly, we reinterpret causal tools as emerging from standard probabilistic modelling and inference, elucidating their necessity and utility.
• Abstract（参考訳）: 因果推論は機械学習における重要な研究領域であるが、それに取り組むために必要なツールに関して混乱が支配されている。 機械学習の文献には、因果的疑問に答えるためには、気まぐれな因果的枠組みや記法が必要であるという主張が一般的である。 本稿では,確率的モデリングと推論の領域において,因果的ツールや表記を使わずに,因果的推論問題に答えることを明確にする。 具体例を通して、すべての確率を記入することで因果問題にどのように対処できるかを実証する。 最後に、我々は因果的ツールを標準的な確率的モデリングと推論から生み出したものと解釈し、それらの必要性と有用性を解明する。

関連論文リスト

• From Black-box to Causal-box: Towards Building More Interpretable Models [57.23201263629627]
  本稿では, 因果解釈可能性の概念を導入し, 特定のモデルのクラスから対実的クエリを評価できるときの形式化について述べる。 我々は、与えられたモデルアーキテクチャが与えられた偽物クエリをサポートするかどうかを決定する完全なグラフィカルな基準を導出する。
  論文  参考訳（メタデータ） (2025-10-24T20:03:18Z)
• Diagrammatic Modelling of Causality and Causal Relations [0.0]
  本稿では、因果関係の図式モデル(図形)について述べる。 我々は,この文脈において,物作り機械の概念言語(TM)をツールとして使用することを試みた。 その結果, TMによる因果関係の描写はより完全であり, 因果グラフの基礎となることが示唆された。
  論文  参考訳（メタデータ） (2023-10-17T07:17:51Z)
• 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)
• Axiomatization of Interventional Probability Distributions [4.02487511510606]
  因果的介入は、do-calculusの規則の下で公理化される。 我々の公理化の下では、インターベンジド分布は定義されたインターベンジド因果グラフに対するマルコフ分布であることが示される。 また、自然構造因果モデルの大規模なクラスが、ここで提示される理論を満たすことを示す。
  論文  参考訳（メタデータ） (2023-05-08T06:07:42Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Causality, Causal Discovery, and Causal Inference in Structural Engineering [1.827510863075184]
  本稿では,土木工学の観点からの因果発見と因果推論の事例を構築した。 具体的には、因果関係の鍵となる原理と、因果関係の発見と因果推論のための最も一般的なアルゴリズムとパッケージについて概説する。
  論文  参考訳（メタデータ） (2022-04-04T14:49:47Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Algorithms for Causal Reasoning in Probability Trees [13.572630988699572]
  離散確率木における因果推論のための具体的なアルゴリズムを提案する。 我々の研究は因果推論の領域を非常に一般的な離散過程のクラスへと拡張する。
  論文  参考訳（メタデータ） (2020-10-23T08:51:52Z)

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。