論文の概要: No More Maybe-Arrows: Resolving Causal Uncertainty by Breaking Symmetries

• arxiv url: http://arxiv.org/abs/2603.01052v1
• Date: Sun, 01 Mar 2026 11:21:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.482058
• Title: No More Maybe-Arrows: Resolving Causal Uncertainty by Breaking Symmetries
• Title（参考訳）: もはやあり得ない:対称性を破ることによる因果不確かさの解消
• Authors: Tingrui Huang, Devendra Singh Dhami,
• Abstract要約: 因果関係を尊重しながらPAGをDAGに変換するための新しい改良フレームワークCausalSAGEを提案する。 得られたDAGは,根底にある因果関係を保ちつつ,効率よく得られることを示す。
• 参考スコア（独自算出の注目度）: 9.341830361844337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recent works on causal discovery have followed a similar trend of learning partial ancestral graphs (PAGs) since observational data constrain the true causal directed acyclic graph (DAG) only up to a Markov equivalence class. This limits their application in the majority of downstream tasks, as uncertainty in causal relations remains unresolved. We propose a new refinement framework, CausalSAGE, for converting PAGs to DAGs while respecting the underlying causal relations. The framework expands discrete variables into state-level representations, constrains the search space using structural knowledge and soft priors, and applies a unified differentiable objective for joint optimization. The final DAG is obtained by aggregating the optimized structures and enforcing acyclicity when necessary. Our experimental evaluations show that the obtained DAGs preserve the underlying causal relations while also being efficient to obtain.
• Abstract（参考訳）: 因果探索に関する最近の研究は、観測データが真の因果指向非巡回グラフ(DAG)をマルコフ同値類に限定するため、同様に部分祖先グラフ(PAG)を学習する傾向を辿っている。 因果関係の不確実性は未解決のままであるからである。 因果関係を尊重しながらPAGをDAGに変換するための新しい改良フレームワークCausalSAGEを提案する。 このフレームワークは、離散変数を状態レベルの表現に拡張し、構造知識とソフトプリエントを用いて探索空間を制約し、共同最適化に統一的な微分可能な目的を適用する。 最終DAGは、最適化された構造を集約し、必要に応じて非環状化することにより得られる。 実験の結果, 得られたDAGは根本的因果関係を保ちつつ, 効率も高いことがわかった。

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)
• Causal DAG Summarization (Full Version) [12.231672388216653]
  因果推論は、研究者が原因と効果の関係を発見し、科学的洞察をもたらすのに役立つ。 汎用グラフ要約の現在の方法は因果DAG要約には不十分である。 本稿では, グラフの簡易化を両立させ, 信頼性の高い推論に必要不可欠な因果情報を保持しながら, より理解を深めるための因果グラフ要約手法を提案する。
  論文  参考訳（メタデータ） (2025-04-21T08:01:32Z)
• Your Assumed DAG is Wrong and Here's How To Deal With It [4.262342157729123]
  本稿では,因果グラフの集合上の因果クエリのバウンダリを提供する,効率的な勾配に基づく最適化手法を提案する。 当社のアプローチは,DAGが間違っていると仮定した場合の有効な批判に対して,使いやすく,広く適用可能な反論を提供することを目的としています。」
  論文  参考訳（メタデータ） (2025-02-24T10:31:12Z)
• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• 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)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。