論文の概要: Moment Matters: Mean and Variance Causal Graph Discovery from Heteroscedastic Observational Data
- arxiv url: http://arxiv.org/abs/2602.23602v1
- Date: Fri, 27 Feb 2026 02:13:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.203923
- Title: Moment Matters: Mean and Variance Causal Graph Discovery from Heteroscedastic Observational Data
- Title（参考訳）: モーメントの課題:ヘテロセダスティック観測データによる平均および変動因果グラフの発見
- Authors: Yoichi Chikahara,
- Abstract要約: 変数の分散が他の変数と変化するヘテロセダスティック性(heteroscedasticity)は、実際のデータにおいて広範である。
標準因果発見は、単一のモーメント非依存グラフを返すため、どの原因が平均と分散に作用するかを明らかにしない。
本稿では,観測的ヘテロセダスティックデータからテキストとテキストの分散因果グラフを別々に推定するベイズ的モーメント駆動因果探索フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.436681150766912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heteroscedasticity -- where the variance of a variable changes with other variables -- is pervasive in real data, and elucidating why it arises from the perspective of statistical moments is crucial in scientific knowledge discovery and decision-making. However, standard causal discovery does not reveal which causes act on the mean versus the variance, as it returns a single moment-agnostic graph, limiting interpretability and downstream intervention design. We propose a Bayesian, moment-driven causal discovery framework that infers separate \textit{mean} and \textit{variance} causal graphs from observational heteroscedastic data. We first derive the identification results by establishing sufficient conditions under which these two graphs are separately identifiable. Building on this theory, we develop a variational inference method that learns a posterior distribution over both graphs, enabling principled uncertainty quantification of structural features (e.g., edges, paths, and subgraphs). To address the challenges of parameter optimization in heteroscedastic models with two graph structures, we take a curvature-aware optimization approach and develop a prior incorporation technique that leverages domain knowledge on node orderings, improving sample efficiency. Experiments on synthetic, semi-synthetic, and real data show that our approach accurately recovers mean and variance structures and outperforms state-of-the-art baselines.
- Abstract（参考訳）: 変数の分散が他の変数と変化するヘテロセダスティック性(heteroscedasticity)は、実際のデータにおいて広まっており、統計モーメントの観点からそれが起こる理由を解明することは、科学的知識の発見と意思決定において不可欠である。
しかし、標準的な因果探索では、単一モーメントに依存しないグラフを返却し、解釈可能性や下流の介入設計を制限するため、どの原因が平均と分散に作用するかは明らかになっていない。
本稿では,観測ヘテロセデスティックなデータから,<textit{mean} と<textit{variance} の因果グラフを別々に推定するベイズ的モーメント駆動因果探索フレームワークを提案する。
まず、これらの2つのグラフを別々に識別できる十分な条件を確立することにより、識別結果を導出する。
この理論に基づいて、両グラフの後方分布を学習し、構造的特徴(例えば、エッジ、パス、サブグラフ)の原理的不確実性定量化を可能にする変分推論法を開発した。
2つのグラフ構造を持つヘテロ代用モデルにおけるパラメータ最適化の課題に対処するために、曲率を考慮した最適化アプローチを採用し、ノードオーダリングにおけるドメイン知識を活用した事前の組込み手法を開発し、サンプル効率を向上する。
合成, 半合成, 実データを用いた実験により, 本手法は平均および分散構造を正確に復元し, 最先端のベースラインを上回っていることが示された。
関連論文リスト
- Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
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。
論文 参考訳（メタデータ） (2026-02-03T10:26:16Z) - 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) - diffIRM: A Diffusion-Augmented Invariant Risk Minimization Framework for Spatiotemporal Prediction over Graphs [6.677219861416146]
実世界のデータは、アウト・オブ・ディストリビューション(OOD)問題に悩まされるため、グラフ(GSTP)に対する時間的予測は困難である。
本研究では,これらの2つの原則を組み合わせた拡散増強型不変リスク最小化(diffIRM)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-31T06:45:47Z) - Causal Discovery on Dependent Binary Data [6.464898093190062]
本稿では,関係するバイナリデータに基づく因果グラフ学習のためのデコレーションに基づくアプローチを提案する。
我々は,潜在ユーティリティ変数のサンプルの生成とデコレーションを行うEMライクな反復アルゴリズムを開発した。
提案手法は因果グラフ学習の精度を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-12-28T21:55:42Z) - 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) - On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
一般化は、見えないデータを分類するモデルの能力をキャプチャする。
不変性はデータの変換におけるモデル予測の一貫性を測定する。
データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
論文 参考訳（メタデータ） (2022-07-14T17:08:25Z) - Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。
OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。
コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-11T04:38:39Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - 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) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z) - A Meta Learning Approach to Discerning Causal Graph Structure [1.52292571922932]
分布の単純度を最適化することにより,変数間の因果方向を導出するためのメタラーニングの活用について検討する。
潜在変数を含むグラフ表現を導入し、より一般化性とグラフ構造表現を可能にする。
我々のモデルは、潜在共同設立者の影響にもかかわらず、複雑なグラフ構造の因果方向インジケータを学習することができる。
論文 参考訳（メタデータ） (2021-06-06T22:44:44Z)
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。