論文の概要: I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables
- arxiv url: http://arxiv.org/abs/2603.03207v1
- Date: Tue, 03 Mar 2026 18:00:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.91339
- Title: I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables
- Title（参考訳）: I-CAM-UV:観測できない変数を持つ因果加法モデルを用いた非同一変数集合上の因果グラフの統合
- Authors: Hirofumi Suzuki, Kentaro Kanamori, Takuya Takagi, Thong Pham, Takashi Nicholas Maeda, Shohei Shimizu,
- Abstract要約: 観測データからの因果発見は科学の様々な分野における基本的な道具である。
1つの簡単なアプローチは、各データセットから因果グラフを推定し、重なり合うことで1つの因果グラフを構築することである。
非観測変数 (CAM-UV) を用いた因果付加モデルを用いて, 未観測変数に関する情報を有する因果グラフを提供する。
- 参考スコア（独自算出の注目度）: 6.554362974050721
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal discovery from observational data is a fundamental tool in various fields of science. While existing approaches are typically designed for a single dataset, we often need to handle multiple datasets with non-identical variable sets in practice. One straightforward approach is to estimate a causal graph from each dataset and construct a single causal graph by overlapping. However, this approach identifies limited causal relationships because unobserved variables in each dataset can be confounders, and some variable pairs may be unobserved in any dataset. To address this issue, we leverage Causal Additive Models with Unobserved Variables (CAM-UV) that provide causal graphs having information related to unobserved variables. We show that the ground truth causal graph has structural consistency with the information of CAM-UV on each dataset. As a result, we propose an approach named I-CAM-UV to integrate CAM-UV results by enumerating all consistent causal graphs. We also provide an efficient combinatorial search algorithm and demonstrate the usefulness of I-CAM-UV against existing methods.
- Abstract（参考訳）: 観測データからの因果発見は科学の様々な分野における基本的な道具である。
既存のアプローチは一般的に単一のデータセット用に設計されていますが、実際には複数のデータセットを識別できない変数セットで処理する必要があります。
1つの簡単なアプローチは、各データセットから因果グラフを推定し、重なり合うことで1つの因果グラフを構築することである。
しかし、このアプローチは、各データセットの未観測変数が共創者であり、いくつかの変数ペアが任意のデータセットで未観測である可能性があるため、限られた因果関係を識別する。
この問題に対処するために、未観測変数に関する情報を持つ因果グラフを提供するCAM-UV(Causal Additive Models with Unobserved Variables)を利用する。
本研究では,各データセット上のCAM-UV情報と基底真理因果グラフが構造的整合性を持つことを示す。
その結果,CAM-UVと命名されたCAM-UVを一貫した因果グラフを列挙して統合する手法を提案する。
また,既存の手法に対するI-CAM-UVの有用性を検証し,効率的な組合せ探索アルゴリズムを提案する。
関連論文リスト
- Covariate-assisted graph matching [1.4466802614938332]
そこで我々は,シードと呼ばれるノードの集合の部分的アライメントが知られている2つの新しいグラフマッチング法を提案する。
本手法の有効性は,数値実験および統計学系譜と協調ネットワークのマッチングへの応用を通じて実証された。
論文 参考訳（メタデータ） (2025-12-12T18:12:56Z) - 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) - Interdependency Matters: Graph Alignment for Multivariate Time Series Anomaly Detection [30.101707763778013]
グラフアライメント(GA)問題として異常検出を再定義するMADGA(MTS Anomaly Detection via Graph Alignment)を提案する。
GAアプローチでは、ノードとエッジの両方を明示的にアライメントし、ノードはワッサーシュタイン距離、エッジはグロモフ=ワッサーシュタイン距離を用いる。
多様な実世界のデータセットの実験は、MADGAの有効性を検証し、異常を検出し、相互依存を区別する能力を示す。
論文 参考訳（メタデータ） (2024-10-11T14:54:08Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - A distance for mixed-variable and hierarchical domains with meta variables [1.677718351174347]
不均一データセットは、さまざまな機械学習および最適化アプリケーションに現れる。
最初の主な貢献は、階層的、木構造的、変数サイズ、条件付き検索フレームワークを一般化するモデリングフレームワークである。
2つ目の寄与は、同じ変数を共有しない混合変数の任意の対を比較する新しい距離である。
論文 参考訳（メタデータ） (2024-05-20T23:11:03Z) - Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
因果発見は、生物学的実験から機械的な洞察を明らかにする可能性がある。
因果グラフを予測するために,大規模合成データに基づいて学習した教師付きモデルを提案する。
我々のアプローチは、発見アルゴリズムの出力の典型的なエラーがデータセット間で比較できるという観察によって実現されている。
論文 参考訳（メタデータ） (2024-02-02T21:57:58Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳（メタデータ） (2023-07-31T11:28:24Z) - 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) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - MURAL: An Unsupervised Random Forest-Based Embedding for Electronic
Health Record Data [59.26381272149325]
異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。
muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。
提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
論文 参考訳（メタデータ） (2021-11-19T22:02:21Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳（メタデータ） (2020-06-01T14:25:38Z)
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。