論文の概要: Multi-Domain Causal Empirical Bayes Under Linear Mixing

• arxiv url: http://arxiv.org/abs/2603.18404v1
• Date: Thu, 19 Mar 2026 01:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.911786
• Title: Multi-Domain Causal Empirical Bayes Under Linear Mixing
• Title（参考訳）: リニアミキシングによるマルチドメイン因果性経験ベイ
• Authors: Bohan Wu, Julius von Kügelgen, David M. Blei,
• Abstract要約: 因果表現学習は、高次元観測から低次元因果潜在変数を学習することを目的としている。 本稿では,経験的ベイズ(EB)を用いて因果表現を推定する。 本稿では,領域内および領域間の不変構造を利用して学習因果変数の品質を向上させるEB$f$-modelingアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 25.271622796201815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal representation learning (CRL) aims to learn low-dimensional causal latent variables from high-dimensional observations. While identifiability has been extensively studied for CRL, estimation has been less explored. In this paper, we explore the use of empirical Bayes (EB) to estimate causal representations. In particular, we consider the problem of learning from data from multiple domains, where differences between domains are modeled by interventions in a shared underlying causal model. Multi-domain CRL naturally poses a simultaneous inference problem that EB is designed to tackle. Here, we propose an EB $f$-modeling algorithm that improves the quality of learned causal variables by exploiting invariant structure within and across domains. Specifically, we consider a linear measurement model and interventional priors arising from a shared acyclic SCM. When the graph and intervention targets are known, we develop an EM-style algorithm based on causally structured score matching. We further discuss EB $\rmg$-modeling in the context of existing CRL approaches. In experiments on synthetic data, our proposed method achieves more accurate estimation than other methods for CRL.
• Abstract（参考訳）: 因果表現学習(CRL)は、高次元観測から低次元因果潜在変数を学習することを目的としている。 CRLの識別性は広く研究されているが、推定は少ない。 本稿では,経験的ベイズ(EB)を用いて因果表現を推定する。 特に、複数のドメインからのデータから学習する際の問題として、ドメイン間の差異を、共通の因果モデルにおける介入によってモデル化する。 マルチドメインCRLは、EBが取り組むように設計された同時推論問題を自然に引き起こす。 本稿では,領域内および領域間の不変構造を利用して学習因果変数の品質を向上させるEB$f$-modelingアルゴリズムを提案する。 具体的には,共有非循環型SCMから生じる線形測定モデルと介入先を考察する。 グラフと介入対象が知られている場合,因果的に構造化されたスコアマッチングに基づくEMスタイルのアルゴリズムを開発する。 さらに既存の CRL アプローチの文脈で EB $\rmg$-modeling について議論する。 合成データを用いた実験では,提案手法はCRLの他の手法よりも高精度に推定できる。

関連論文リスト

• Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants [7.808674222118538]
  既存の手法では、相互に独立した潜在的共同創設者を仮定するか、観測変数間の因果関係を持つモデルを適切に扱うことができない。 本稿では,LvLiNGAMにおける因果DAGを同定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:15:20Z)
• Causal Mechanism Estimation in Multi-Sensor Systems Across Multiple Domains [34.02899134427814]
  本稿では,複数の領域にまたがる異種データから因果関係を推定する新しい3段階のアプローチを提案する。 因果転移学習(Causal Transfer Learning, CTL)の原理を活用することで, CICMEは十分なサンプルが与えられた場合に, ドメイン不変因果機構を確実に検出することができる。 CICMEは、プールされたデータに因果探索を適用し、各ドメインのデータに繰り返し適用することで利点を生かし、特定のシナリオ下では両方のベースライン手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-23T10:35:37Z)
• Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
  因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:06:14Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)

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。