Fugu-MT 論文翻訳(概要): FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions

論文の概要: FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions

arxiv url: http://arxiv.org/abs/2601.21567v1
Date: Thu, 29 Jan 2026 11:30:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-30 16:22:49.767613
Title: FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions
Title（参考訳）: FlexCausal: 構造フローの先行とマニフォールド対応による柔軟な因果解離
Authors: Yutao Jin, Yuang Tao, Junyong Zhai,
Abstract要約: 因果解離表現学習(Causal Disentangled Representation Learning)は、観測から低次元表現を学習し、解離することを目的とする。本稿では,ブロック対角共分散VAEに基づく新しいCDRLフレームワークFlexCausalを提案する。本フレームワークは,学習した潜在部分空間と基底-真理因果関係の正確な構造的対応を保証する。
参考スコア（独自算出の注目度）: 1.7114074082429929
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal Disentangled Representation Learning(CDRL) aims to learn and disentangle low dimensional representations and their underlying causal structure from observations. However, existing disentanglement methods rely on a standard mean-field approximation with a diagonal posterior covariance, which decorrelates all latent dimensions. Additionally, these methods often assume isotropic Gaussian priors for exogenous noise, failing to capture the complex, non-Gaussian statistical properties prevalent in real-world causal factors. Therefore, we propose FlexCausal, a novel CDRL framework based on a block-diagonal covariance VAE. FlexCausal utilizes a Factorized Flow-based Prior to realistically model the complex densities of exogenous noise, effectively decoupling the learning of causal mechanisms from distributional statistics. By integrating supervised alignment objectives with counterfactual consistency constraints, our framework ensures a precise structural correspondence between the learned latent subspaces and the ground-truth causal relations. Finally, we introduce a manifold-aware relative intervention strategy to ensure high-fidelity generation. Experimental results on both synthetic and real-world datasets demonstrate that FlexCausal significantly outperforms other methods.
Abstract（参考訳）: 因果解離表現学習(Causal Disentangled Representation Learning, CDRL)は、低次元表現とその基礎となる因果構造を観察から学習・解離することを目的とする。しかし、既存の非角化法は、すべての潜在次元を逆相関する斜め後共分散を持つ標準平均場近似に依存している。さらに、これらの方法はしばしば異方性ガウス的先行音を外生ノイズと仮定し、実世界の因果要因でよく見られる複雑で非ガウス的統計的性質を捉えることができない。そこで,ブロック対角共分散VAEに基づく新しいCDRLフレームワークFlexCausalを提案する。 FlexCausalはFactized Flow-basedを利用して、外因性雑音の複雑な密度を現実的にモデル化し、分布統計から因果メカニズムの学習を効果的に分離する。教師付きアライメント目的と対実整合性制約を組み合わせることにより、学習した潜在部分空間と地道因果関係との間の正確な構造的対応が保証される。最後に、高忠実度生成を保証するために、多様体対応の相対的介入戦略を導入する。合成と実世界の両方のデータセットの実験結果は、FlexCausalが他の方法よりも大幅に優れていることを示している。

関連論文リスト

Learning Causality for Longitudinal Data [1.2691047660244335]
この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
論文参考訳（メタデータ） (2025-12-04T16:51:49Z)
Partially Functional Dynamic Backdoor Diffusion-based Causal Model [2.922436362861351]
部分機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を導入する。 PFD-BDCMは、有効なバックドア調整を拡散サンプリング機構に組み込んで、測定されていない共同設立者からのバイアスを軽減する。実測値の誤差設定による理論的保証を提供する。
論文参考訳（メタデータ） (2025-08-30T12:11:23Z)
Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
論文参考訳（メタデータ） (2025-06-27T15:05:37Z)
Consistent World Models via Foresight Diffusion [56.45012929930605]
我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
論文参考訳（メタデータ） (2025-05-22T10:01:59Z)
Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文参考訳（メタデータ） (2025-02-11T19:24:09Z)
Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
論文参考訳（メタデータ） (2024-07-06T07:19:21Z)
The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文参考訳（メタデータ） (2024-01-25T09:18:51Z)
A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文参考訳（メタデータ） (2023-11-13T01:48:08Z)
Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-09T15:43:46Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)

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。