論文の概要: Bounding Probabilities of Causation with Partial Causal Diagrams

• arxiv url: http://arxiv.org/abs/2602.14503v1
• Date: Mon, 16 Feb 2026 06:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.233359
• Title: Bounding Probabilities of Causation with Partial Causal Diagrams
• Title（参考訳）: 部分因果図を用いた因果関係の有界性
• Authors: Yuxuan Xie, Ang Li,
• Abstract要約: 本稿では,部分因果情報を用いた因果関係の確率境界に関する一般的な枠組みを提案する。 最適化プログラミングの定式化において、利用可能な構造情報や統計情報を制約として体系的に組み込む方法を示す。 このアプローチは、因果関係の確率を、因果的知識が不完全だが情報的である現実的な設定に拡張する。
• 参考スコア（独自算出の注目度）: 10.218927169905607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilities of causation are fundamental to individual-level explanation and decision making, yet they are inherently counterfactual and not point-identifiable from data in general. Existing bounds either disregard available covariates, require complete causal graphs, or rely on restrictive binary settings, limiting their practical use. In real-world applications, causal information is often partial but nontrivial. This paper proposes a general framework for bounding probabilities of causation using partial causal information. We show how the available structural or statistical information can be systematically incorporated as constraints in a optimization programming formulation, yielding tighter and formally valid bounds without full identifiability. This approach extends the applicability of probabilities of causation to realistic settings where causal knowledge is incomplete but informative.
• Abstract（参考訳）: 因果関係の確率は個人レベルの説明と意思決定に基本的であるが、それらは本質的に偽造であり、一般にデータからポイントを特定できない。 既存の境界は、利用可能な共変量を無視したり、完全な因果グラフを必要としたり、制限的なバイナリ設定に依存して、実用的使用を制限する。 現実世界の応用では、因果情報はしばしば部分的であるが、非自明である。 本稿では,部分因果情報を用いた因果関係の確率境界に関する一般的な枠組みを提案する。 最適化プログラミングの定式化における制約として、利用可能な構造情報や統計情報を体系的に組み込む方法を示し、より厳密で正式な境界を完全な識別不能にすることができることを示す。 このアプローチは、因果関係の確率を、因果的知識が不完全だが情報的である現実的な設定に拡張する。

関連論文リスト

• Use What You Know: Causal Foundation Models with Partial Graphs [97.91863420927866]
  最近提案されたCausal Foundation Models (CFMs) は、因果発見と推論を単一ステップで補正することで、より統一的なアプローチを約束している。 我々は、因果グラフやより容易に利用可能な祖先情報などの因果情報に基づいてCFMを条件付ける手法を導入することにより、このギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-16T17:56:37Z)
• Data-Driven Information-Theoretic Causal Bounds under Unmeasured Confounding [10.590231532335691]
  本研究では,データ駆動型情報理論フレームワークを開発し,条件付き因果関係の同定を行う。 我々の重要な理論的貢献は、観測分布 P(Y | A = a, X = x) と干渉分布 P(Y | do(A = a), X = x) の間の f-分割が、確率スコアのみの関数によって上界であることが示している。 この結果により、外部感度パラメータ、補助変数、完全な構造仕様、結果境界性仮定を必要とせず、観測データから直接条件因果効果を鋭く同定することができる。
  論文  参考訳（メタデータ） (2026-01-23T20:47:48Z)
• 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)
• 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)
• 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)
• Bayesian Model Averaging for Data Driven Decision Making when Causality is Partially Known [0.0]
  我々はベイズモデル平均化(BMA)のようなアンサンブル法を用いて因果グラフの集合を推定する。 潜在的な介入の期待値とリスクを明示的に計算して意思決定を行います。
  論文  参考訳（メタデータ） (2021-05-12T01:55:45Z)
• 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)
• Deriving Bounds and Inequality Constraints Using LogicalRelations Among Counterfactuals [8.185725740857595]
  そこで我々は,因果モデルによる確率の規則と反事実の制約を用いて因果パラメータの境界を求める新しい手法を開発した。 このアプローチは、既知の鋭い境界と厳密な不等式制約を回復し、新しい境界と制約を導出するのに十分強力であることを示す。
  論文  参考訳（メタデータ） (2020-07-01T17:25:44Z)
• A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
  因果治療効果の推定は、様々な現実世界で発生する重要な問題である。 連続分布における因果効果のバウンディング法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T12:32:24Z)

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。