論文の概要: Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship

• arxiv url: http://arxiv.org/abs/2602.03353v1
• Date: Tue, 03 Feb 2026 10:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.389539
• Title: Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship
• Title（参考訳）: 因果関係の分布不変性を利用した因果グラフ学習
• Authors: Nang Hung Nguyen, Phi Le Nguyen, Thao Nguyen Truong, Trong Nghia Hoang, Masashi Sugiyama,
• Abstract要約: 本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
• 参考スコア（独自算出の注目度）: 54.575090553659074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a new framework for recovering causal graphs from observational data, leveraging the observation that the distribution of an effect, conditioned on its causes, remains invariant to changes in the prior distribution of those causes. This insight enables a direct test for potential causal relationships by checking the variance of their corresponding effect-cause conditional distributions across multiple downsampled subsets of the data. These subsets are selected to reflect different prior cause distributions, while preserving the effect-cause conditional relationships. Using this invariance test and exploiting an (empirical) sparsity of most causal graphs, we develop an algorithm that efficiently uncovers causal relationships with quadratic complexity in the number of observational variables, reducing the processing time by up to 25x compared to state-of-the-art methods. Our empirical experiments on a varied benchmark of large-scale datasets show superior or equivalent performance compared to existing works, while achieving enhanced scalability.
• Abstract（参考訳）: 本稿では,観測データから因果グラフを復元する新しい枠組みを提案し,その原因に条件付けられた効果の分布が,それらの原因の事前分布の変化に不変であることを示す。 この洞察は、データの複数のダウンサンプリングされたサブセットにまたがる、対応する効果原因条件分布のばらつきをチェックすることによって、潜在的な因果関係の直接的なテストを可能にする。 これらのサブセットは、影響原因条件関係を保ちながら、異なる先行原因分布を反映するように選択される。 この不変性テストと、ほとんどの因果グラフの(経験的)空間性を利用して、観測変数数における二次的複雑性と因果関係を効率的に発見し、最先端の手法と比較して処理時間を最大25倍まで短縮するアルゴリズムを開発する。 大規模データセットの様々なベンチマークに関する実証実験は、拡張性を実現しつつ、既存の作業よりも優れた、あるいは同等のパフォーマンスを示す。

関連論文リスト

• Effects of Distributional Biases on Gradient-Based Causal Discovery in the Bivariate Categorical Case [0.4339839287869652]
  勾配に基づく因果発見は、訓練されたデータにおける分布バイアスの影響を受けやすいことを示す。 因果因果因果因果因因果因因因因因因因因因因因因因果因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因 2つの関連するアプローチの実証的な評価は、因果分解の競合を排除すれば、モデルが提示されたバイアスに対して堅牢になることを示している。
  論文  参考訳（メタデータ） (2025-09-01T17:08:03Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
  因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。 我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。 提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
  論文  参考訳（メタデータ） (2024-03-13T08:40:49Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)

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。