論文の概要: Distributional Equivalence in Linear Non-Gaussian Latent-Variable Cyclic Causal Models: Characterization and Learning

• arxiv url: http://arxiv.org/abs/2603.04780v1
• Date: Thu, 05 Mar 2026 03:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.061165
• Title: Distributional Equivalence in Linear Non-Gaussian Latent-Variable Cyclic Causal Models: Characterization and Learning
• Title（参考訳）: 線形非ガウス潜在変動周期因数モデルにおける分布等価性:評価と学習
• Authors: Haoyue Dai, Immanuel Albrecht, Peter Spirtes, Kun Zhang,
• Abstract要約: 我々は、一般の、構造的前提のないアプローチに対する中核的な障害は、同値なキャラクタリゼーションの欠如であると主張する。 このアプローチの鍵となるのは、エッジレベルの制約という新しいツールです。
• 参考スコア（独自算出の注目度）: 13.891913455492697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery with latent variables is a fundamental task. Yet most existing methods rely on strong structural assumptions, such as enforcing specific indicator patterns for latents or restricting how they can interact with others. We argue that a core obstacle to a general, structural-assumption-free approach is the lack of an equivalence characterization: without knowing what can be identified, one generally cannot design methods for how to identify it. In this work, we aim to close this gap for linear non-Gaussian models. We establish the graphical criterion for when two graphs with arbitrary latent structure and cycles are distributionally equivalent, that is, they induce the same observed distribution set. Key to our approach is a new tool, edge rank constraints, which fills a missing piece in the toolbox for latent-variable causal discovery in even broader settings. We further provide a procedure to traverse the whole equivalence class and develop an algorithm to recover models from data up to such equivalence. To our knowledge, this is the first equivalence characterization with latent variables in any parametric setting without structural assumptions, and hence the first structural-assumption-free discovery method. Code and an interactive demo are available at https://equiv.cc.
• Abstract（参考訳）: 潜伏変数による因果発見は基本的な課題である。 しかし、既存のほとんどのメソッドは、潜伏者に対する特定の指標パターンを強制したり、他人とどのように相互作用するかを制限するなど、強い構造的仮定に依存している。 一般の、構造的前提のないアプローチに対する中核的な障害は、等価な特徴の欠如である、と我々は主張する。 本研究では、線型非ガウスモデルに対するこのギャップを埋めることを目的とする。 任意の潜在構造とサイクルを持つ2つのグラフが分布的に等価である場合、すなわち同じ分布集合を誘導する際のグラフィカルな基準を確立する。 このアプローチの鍵となるのが、エッジランク制約という新しいツールです。このツールボックスの欠落部分を埋めて、潜伏変数の因果関係をもっと広い設定で発見するのです。 さらに、同値クラス全体を横断し、同値クラスまでデータからモデルを復元するアルゴリズムを開発する。 我々の知る限り、これは構造的仮定を伴わない任意のパラメトリック設定における潜時変数との最初の同値な性質であり、従って構造的推定不要な発見法である。 コードとインタラクティブなデモはhttps://equiv.cc.comで公開されている。

関連論文リスト

• Differentiable Structure Learning and Causal Discovery for General Binary Data [22.58355875817396]
  離散変数間の任意の依存関係をキャプチャ可能な、微分可能な構造学習フレームワークを提案する。 学習問題を最も一般的な形式で1つの微分可能な最適化タスクとして定式化する。 実験結果から,本手法は離散データの複雑な関係を効果的に捉えていることが示された。
  論文  参考訳（メタデータ） (2025-09-25T22:26:55Z)
• Trek-Based Parameter Identification for Linear Causal Models With Arbitrarily Structured Latent Variables [1.4425878137951234]
  潜在変数を持つ線形構造方程式モデルにおいて因果効果が識別可能であるかどうかを検証するための基準を開発する。 我々の新しい潜在サブグラフ基準は、因果効果の識別に十分な、純粋にグラフィカルな条件である。
  論文  参考訳（メタデータ） (2025-07-24T08:10:44Z)
• Learning Discrete Latent Variable Structures with Tensor Rank Conditions [30.292492090200984]
  観測されていない離散データは、多くの科学分野においてユビキタスであり、これらの潜伏変数の因果構造を学習する方法は、データパターンを明らかにするために不可欠である。 ほとんどの研究は線形潜在変数モデルに焦点を当てたり、非線型関係や複素潜在構造を含む離散データにおけるケースに対処できない潜在構造に厳密な制約を課す。 観測変数集合 $mathbfX_p$ に対するテンソル階数条件を探索し、その階数が特定の条件集合の最小サポートによって決定されることを示す。 異なる観測変数のランクを探索することで、潜伏変数を特定できる。
  論文  参考訳（メタデータ） (2024-06-11T07:25:17Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Causal Discovery under Latent Class Confounding [2.1749194587826026]
  グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを示す。 グローバルに構築された因果構造は、任意の構造方程式や雑音関数で識別可能であることを実証する。
  論文  参考訳（メタデータ） (2023-11-13T16:35:34Z)
• Identification of Nonlinear Latent Hierarchical Models [38.925635086396596]
  我々は,初等潜伏変数モデルに対する新しい識別可能性保証という形で識別基準を開発する。 我々の知る限りでは、非線形潜在階層モデルにおける因果構造と潜伏変数の両方に対する識別可能性を保証するための最初の研究である。
  論文  参考訳（メタデータ） (2023-06-13T17:19:37Z)
• Learning nonparametric latent causal graphs with unknown interventions [18.6470340274888]
  潜在因果グラフが非パラメトリック同定可能な条件を確立する。 隠れ変数の数は分かっていないと仮定し、隠された変数に対して少なくとも1つの未知の介入が必要であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:06:35Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• 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)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• 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)
• 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。