論文の概要: Sign Identifiability of Causal Effects in Stationary Stochastic Dynamical Systems

• arxiv url: http://arxiv.org/abs/2603.08311v1
• Date: Mon, 09 Mar 2026 12:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.913647
• Title: Sign Identifiability of Causal Effects in Stationary Stochastic Dynamical Systems
• Title（参考訳）: 定常確率力学系における因果効果の符号同定可能性
• Authors: Gijs van Seeventer, Saber Salehkaleybar,
• Abstract要約: 因果構造を持つ連続時間線形定常微分方程式の同定可能性について検討する。 忠実性の概念の下では、一般グラフに対する識別性、非識別性、部分識別性を特徴づける基準を導出する。
• 参考スコア（独自算出の注目度）: 7.097327421487074
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study identifiability in continuous-time linear stationary stochastic differential equations with known causal structure. Unlike existing approaches, we relax the assumption of a known diffusion matrix, thereby respecting the model's intrinsic scale invariance. Rather than recovering drift coefficients themselves, we introduce edge-sign identifiability: for a given causal structure, we ask whether the sign of a given drift entry is uniquely determined across all observational covariance matrices induced by parametrizations compatible with that structure. Under a notion of faithfulness, we derive criteria for characterising identifiability, non-identifiability, and partial identifiability for general graphs. Applying our criteria to specific causal structures, both analogous to classical causal settings (e.g., instrumental variables) and novel cyclic settings, we determine their edge-sign identifiability and, in some cases, obtain explicit expressions for the sign of a target edge in terms of the observational covariance matrix.
• Abstract（参考訳）: 因果構造を持つ連続時間線形定常確率微分方程式の同定可能性について検討した。 既存のアプローチとは異なり、既知の拡散行列の仮定を緩和し、モデル固有のスケール不変性を尊重する。 ドリフト係数自体を復元する代わりに、エッジサインの識別可能性を導入する:与えられた因果構造に対して、その構造と相反するパラメトリゼーションによって誘導されるすべての観測共分散行列に対して、与えられたドリフトエントリの符号が一意に決定されるかどうかを問う。 忠実性の概念の下では、一般グラフに対する識別性、非識別性、部分識別性を特徴づける基準を導出する。 この基準を古典的因果的設定(例:楽器変数)と新奇循環的設定(例:楽器変数)に類似した特定の因果的構造に適用することにより、エッジサインの識別可能性を決定し、場合によっては観測的共分散行列を用いてターゲットエッジの符号の明示的な表現を得る。

関連論文リスト

• Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
  実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。 我々は,特定の方法で構築された観測変数の高次累積行列を併用する。 これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T15:10:00Z)
• Mechanistic Independence: A Principle for Identifiable Disentangled Representations [7.550362088105815]
  アンタングル表現は、観測データに基づく変動の潜伏因子を復元しようとする。 メカニスティックな独立によって解離が達成される統一的な枠組みを導入する。
  論文  参考訳（メタデータ） (2025-09-26T10:58:03Z)
• 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)
• Parameter identification in linear non-Gaussian causal models under general confounding [8.273471398838533]
  このようなモデルが潜伏変数を含む場合の線形係数の同定について検討する。 我々の主な成果は、直接的な因果効果の一般的な識別可能性を決定するのに必要かつ十分であるグラフィカルな基準である。 同定結果に基づいて推定を報告し、フィードバックループを持つモデルへの一般化を探索し、因果グラフの識別可能性に関する新たな結果を提供する。
  論文  参考訳（メタデータ） (2024-05-31T14:39:14Z)
• 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 in Linear Latent Variable Models Subject to Measurement Error [29.78435955758185]
  線形系における測定誤差の存在下での因果発見に着目した。 我々は、この問題と因果発見の驚くべき関連性を、観察されていない親性原因の存在で示している。
  論文  参考訳（メタデータ） (2022-11-08T03:43:14Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• 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)

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。