論文の概要: Estimating Causal Effects in Gaussian Linear SCMs with Finite Data

• arxiv url: http://arxiv.org/abs/2601.04673v1
• Date: Thu, 08 Jan 2026 07:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.079916
• Title: Estimating Causal Effects in Gaussian Linear SCMs with Finite Data
• Title（参考訳）: 有限データを用いたガウス線形SCMにおける因果効果の推定
• Authors: Aurghya Maiti, Prateek Jain,
• Abstract要約: 観測データから因果効果を推定することは因果推論の根本的な課題である。 本稿では,ガウス線形構造因果モデル(GL-SCM)における因果効果の推定に焦点をあてる。 本稿では,有限観測試料から因果効果パラメータを同定し,因果効果を推定できるEMに基づく新しい推定法を提案する。
• 参考スコア（独自算出の注目度）: 14.222953715948272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating causal effects from observational data remains a fundamental challenge in causal inference, especially in the presence of latent confounders. This paper focuses on estimating causal effects in Gaussian Linear Structural Causal Models (GL-SCMs), which are widely used due to their analytical tractability. However, parameter estimation in GL-SCMs is often infeasible with finite data, primarily due to overparameterization. To address this, we introduce the class of Centralized Gaussian Linear SCMs (CGL-SCMs), a simplified yet expressive subclass where exogenous variables follow standardized distributions. We show that CGL-SCMs are equally expressive in terms of causal effect identifiability from observational distributions and present a novel EM-based estimation algorithm that can learn CGL-SCM parameters and estimate identifiable causal effects from finite observational samples. Our theoretical analysis is validated through experiments on synthetic data and benchmark causal graphs, demonstrating that the learned models accurately recover causal distributions.
• Abstract（参考訳）: 観測データから因果効果を推定することは、因果推論において、特に潜伏した共同創設者の存在において、根本的な課題である。 本稿では,ガウス線形構造因果モデル (GL-SCM) の因果効果を推定することに焦点を当てた。 しかし、GL-SCMのパラメータ推定は、主に過パラメータ化のため、有限データでは実現できないことが多い。 そこで本研究では,正規化分布に従属する外因性変数を単純化した表現型サブクラスであるCGL-SCM(Centralized Gaussian Linear SCMs)を導入する。 また,CGL-SCMパラメータを学習し,有限観測試料から因果効果を推定できる新しいEMベースの推定アルゴリズムを提案する。 この理論解析は、合成データとベンチマーク因果グラフの実験により検証され、学習したモデルが因果分布を正確に復元できることが実証された。

関連論文リスト

• Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants [7.808674222118538]
  既存の手法では、相互に独立した潜在的共同創設者を仮定するか、観測変数間の因果関係を持つモデルを適切に扱うことができない。 本稿では,LvLiNGAMにおける因果DAGを同定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:15:20Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
  本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。 本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。 両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
  論文  参考訳（メタデータ） (2024-02-01T14:39:59Z)
• TSLiNGAM: DirectLiNGAM under heavy tails [0.0]
  本研究では、観測データに基づく因果モデルのDAGを同定する新しい手法TSLiNGAMを提案する。 TSLiNGAMは、変数間の因果方向を識別するために単純なOLS回帰を利用する人気アルゴリズムであるDirectLiNGAMをベースにしている。 重み付きおよび歪んだデータに対して著しく優れた性能を示し、より小さなサンプル効率を示す。
  論文  参考訳（メタデータ） (2023-08-10T08:34:46Z)
• Learning Latent Structural Causal Models [31.686049664958457]
  機械学習タスクでは、画像ピクセルや高次元ベクトルのような低レベルのデータを扱うことが多い。 本稿では,潜在構造因果モデルの因果変数,構造,パラメータについて共同推論を行う,抽出可能な近似推定手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T20:09:44Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• 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)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)

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。