論文の概要: Kolmogorov-Arnold causal generative models

• arxiv url: http://arxiv.org/abs/2603.20184v1
• Date: Fri, 20 Mar 2026 17:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.2804
• Title: Kolmogorov-Arnold causal generative models
• Title（参考訳）: Kolmogorov-Arnold因果生成モデル
• Authors: Alejandro Almodóvar, Mar Elizo, Patricia A. Apellániz, Santiago Zazo, Juan Parras,
• Abstract要約: 因果生成モデルは、観測データから観察的、介入的、および反事実的クエリに答えるための原則化された枠組みを提供する。 我々はKAN(Kolmogorov-Arnold Network)により各構造方程式をパラメータ化した混合型表型データに対する因果生成モデルKaCGMを提案する。 この分解は、シンボリック近似や親子関係の可視化を含む学習因果関係の直接検査を可能にする。
• 参考スコア（独自算出の注目度）: 40.44169036529174
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal generative models provide a principled framework for answering observational, interventional, and counterfactual queries from observational data. However, many deep causal models rely on highly expressive architectures with opaque mechanisms, limiting auditability in high-stakes domains. We propose KaCGM, a causal generative model for mixed-type tabular data where each structural equation is parameterized by a Kolmogorov--Arnold Network (KAN). This decomposition enables direct inspection of learned causal mechanisms, including symbolic approximations and visualization of parent--child relationships, while preserving query-agnostic generative semantics. We introduce a validation pipeline based on distributional matching and independence diagnostics of inferred exogenous variables, allowing assessment using observational data alone. Experiments on synthetic and semi-synthetic benchmarks show competitive performance against state-of-the-art methods. A real-world cardiovascular case study further demonstrates the extraction of simplified structural equations and interpretable causal effects. These results suggest that expressive causal generative modeling and functional transparency can be achieved jointly, supporting trustworthy deployment in tabular decision-making settings. Code: https://github.com/aalmodovares/kacgm
• Abstract（参考訳）: 因果生成モデルは、観測データから観察的、介入的、および反事実的クエリに答えるための原則化された枠組みを提供する。 しかし、多くの深い因果関係モデルは不透明な機構を持つ高度に表現力のあるアーキテクチャに依存しており、高い領域における監査可能性を制限する。 本稿では,KAN(Kolmogorov-Arnold Network)によって各構造式がパラメータ化される混合型表層データのための因果生成モデルであるKaCGMを提案する。この分解により,クエリに依存しない生成セマンティクスを保存しつつ,シンボル近似や親子関係の可視化を含む学習因果機構を直接検査することができる。 本研究では,推定外因性変数の分布マッチングと独立性診断に基づく検証パイプラインを導入し,観測データのみを用いた評価を可能にする。 合成および半合成ベンチマークの実験は、最先端の手法と競合する性能を示した。 実世界の心臓血管ケーススタディでは、単純化された構造方程式と解釈可能な因果効果の抽出がさらに実証されている。 これらの結果は,表現的因果生成モデルと機能的透明性を共同で実現し,表型意思決定環境における信頼性の高い展開を支援することを示唆している。 コード:https://github.com/aalmodovares/kacgm

関連論文リスト

• Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
  本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。 合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
  論文  参考訳（メタデータ） (2026-03-03T18:16:16Z)
• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Modeling Causal Mechanisms with Diffusion Models for Interventional and Counterfactual Queries [10.818661865303518]
  本稿では,観察的,介入的,反ファクト的クエリに因果的に十分な設定で回答する問題を考察する。 本稿では拡散型因果モデル (DCM) を導入し, 独自の潜伏符号化を生成する因果メカニズムを学習する。 我々の実証評価は、因果クエリに応答する既存の最先端手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2023-02-02T04:08:08Z)
• 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)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。