論文の概要: Sample Complexity of Causal Identification with Temporal Heterogeneity

• arxiv url: http://arxiv.org/abs/2602.06899v1
• Date: Fri, 06 Feb 2026 17:44:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.505997
• Title: Sample Complexity of Causal Identification with Temporal Heterogeneity
• Title（参考訳）: 時間的異質性を考慮した因果同定の複雑さ
• Authors: Ameya Rathod, Sujay Belsare, Salvik Krishna Nautiyal, Dhruv Laad, Ponnurangam Kumaraguru,
• Abstract要約: 環境多様性の欠如に対して,時間構造が効果的に置き換えられることを示す。 この研究は、因果構造が特定可能かどうかから、実際に統計的に回復可能かどうかに焦点を移す。
• 参考スコア（独自算出の注目度）: 6.5822033630228916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering a unique causal graph from observational data is an ill-posed problem because multiple generating mechanisms can lead to the same observational distribution. This problem becomes solvable only by exploiting specific structural or distributional assumptions. While recent work has separately utilized time-series dynamics or multi-environment heterogeneity to constrain this problem, we integrate both as complementary sources of heterogeneity. This integration yields unified necessary identifiability conditions and enables a rigorous analysis of the statistical limits of recovery under thin versus heavy-tailed noise. In particular, temporal structure is shown to effectively substitute for missing environmental diversity, possibly achieving identifiability even under insufficient heterogeneity. Extending this analysis to heavy-tailed (Student's t) distributions, we demonstrate that while geometric identifiability conditions remain invariant, the sample complexity diverges significantly from the Gaussian baseline. Explicit information-theoretic bounds quantify this cost of robustness, establishing the fundamental limits of covariance-based causal graph recovery methods in realistic non-stationary systems. This work shifts the focus from whether causal structure is identifiable to whether it is statistically recoverable in practice.
• Abstract（参考訳）: 観測データからユニークな因果グラフを復元することは、複数の生成機構が同じ観測分布をもたらす可能性があるため、不適切な問題である。 この問題は、特定の構造的あるいは分布的な仮定を利用するだけで解決できる。 最近の研究では、この問題を制約するために時系列力学やマルチ環境異質性を別々に利用しているが、どちらも相補的な異質性源として統合している。 この積分は、統一された必要な識別可能性条件を導き、薄い音と重い音の下での回復の統計的限界の厳密な分析を可能にする。 特に、時間構造は、不足する環境多様性を効果的に置き換えることが示され、不均一性の下でも識別性を達成する可能性がある。 この解析を重み付き(Student's t)分布に拡張すると、幾何的識別可能性条件は不変であるが、サンプルの複雑性はガウス基底線から大きく分岐する。 明示的な情報理論境界は、この堅牢性のコストを定量化し、現実的な非定常系における共分散に基づく因果グラフ回復法の基本的限界を確立する。 この研究は、因果構造が特定可能かどうかから、実際に統計的に回復可能かどうかに焦点を移す。

関連論文リスト

• Covariate-assisted Grade of Membership Models via Shared Latent Geometry [0.7939348535496568]
  メンバーシップモデルのグレードは、個人レベルの混合メンバーシップスコアを通して多変量カテゴリデータを解析するための柔軟な潜在変数モデルである。 補助共変量体を組み込む従来のアプローチは、一般に完全に指定された関節の確率に依存しており、計算的に集中しており、誤特定に敏感である。 我々は,共変量支援型メンバシップモデルを導入し,共変量情報を統合する。
  論文  参考訳（メタデータ） (2026-01-24T02:30:36Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• Rademacher learning rates for iterated random functions [0.0]
  トレーニングデータセットが、必ずしも既約あるいは非周期的でない反復ランダム関数によって生成される場合を考える。 支配関数が第一引数に関して収縮的であるという仮定の下で、まず、対応するサンプル誤差に対する一様収束結果を確立する。 次に、近似経験的リスク最小化アルゴリズムの学習可能性を示し、その学習速度を導出する。
  論文  参考訳（メタデータ） (2025-06-16T19:36:13Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Exploiting Independent Instruments: Identification and Distribution Generalization [3.701112941066256]
  我々は、より高い瞬間を考慮に入れ、分布一般化の独立性を利用する。 提案した推定器は楽器の分布シフトに不変であることを示す。 これらの結果は、楽器が因果関数を識別するのに十分な豊かでない場合においても成り立つ。
  論文  参考訳（メタデータ） (2022-02-03T21:49:04Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。